rubbninja

摘要： 进行目标跟踪时，先验知识告诉我们定位轨迹是平滑的，目标当前时刻的状态与上一时刻的状态有关，滤波方法可以将这些先验知识考虑进来得到更准确的定位轨迹。本文简单介绍粒子滤波及其使用，接着卡尔曼滤波写，建议先阅读 "室内定位系列（五）——目标跟踪（卡尔曼滤波）" 。 原理 这里跟卡尔曼滤波进行对比来理解粒子 阅读全文

摘要： 进行目标跟踪时，先验知识告诉我们定位轨迹是平滑的，目标当前时刻的状态与上一时刻的状态有关，滤波方法可以将这些先验知识考虑进来得到更准确的定位轨迹。本文简单介绍卡尔曼滤波及其使用。 阅读全文

摘要： 位置指纹法中最常用的算法是[k最近邻（kNN）](http://www.cnblogs.com/rubbninja/p/6134481.html)。本文的目的学习一下python机器学习scikit-learn的使用，尝试了各种常见的机器学习分类器，比较它们在位置指纹法中的定位效果。 阅读全文

摘要： 位置指纹法中最常用的算法是k最近邻（kNN）：选取与当前RSS最邻近的k个指纹的位置估计当前位置，简单直观有效。本文介绍kNN用于定位的基本原理与具体实现（matlab、python）。 阅读全文

摘要： 原文：[《Advanced Location-Based Technologies and Services》](https://books.google.com.hk/books?id=j3zNBQAAQBAJ&printsec=frontcover&hl=zh-CN#v=onepage&q&f=false)——chapter 2 WiFi Location Fingerprint 作者： Prashant Krishnamurthy 阅读全文

摘要： 很多情况下大家都采用实际测量的数据进行定位算法的性能分析和验证，但是实际测量的工作量太大、数据不全面、灵活性较小，采用仿真的方法获取RSS数据是另一种可供选择的方式。本文介绍射线跟踪技术的基本原理，以及如何得到用于定位仿真的RSS数据。在此基础上得到位置指纹库与一组测试数据，用于以后定位算法的验证。（本文的原理介绍并不严谨，但求快速理解） 阅读全文

摘要： windows中不能直接使用Tensorflow，所以得费点劲。（2016.11.29更新，TensorFlow 0.12 中已加入初步的 Windows 原生支持） 先是直接使用了 "《Deep Learning》" 中推荐的 "已经配置好Tensorflow和所有作业文件的Docker容器" （ 阅读全文

摘要： EM算法是一种迭代算法，用于含有隐变量(hidden variable)的概率模型参数的极大似然估计，或极大后验概率估计。EM算法的每次迭代由两步组成：E步，求期望(expectation)；M步，求极大（Maximization）。 阅读全文

摘要： 提升（boosting）方法是一种常用的统计学习方法，应用广泛且有效。在分类问题中，它通过改变训练样本的权重，学习多个分类器，并将这些分类器进行线性组合，提高分类性能。 阅读全文

摘要： 支持向量机（SVM），基本模型是定义在特征空间上的间隔最大的线性分类器，使用核技巧可以使它成为实质上的非线性分类器。“使间隔最大”形成一个凸二次规划问题。由简至繁可分为：线性可分（硬间隔）支持向量机，（软间隔）线性支持向量机，非线性支持向量机 阅读全文