java - 如何在 Java 中使用 LibSVM？

Question

我正在尝试使用蓝牙适配器实现室内位置跟踪系统。这个想法是带着安卓设备四处走动，并根据放置在房间周围的蓝牙适配器的信号强度计算你在房间中的位置。为了做到这一点，我决定使用机器学习来尽可能接近地将 RSSI 近似为距离，例如米。我大学的一位讲师告诉我，我正在寻找 LibSVM，所以我一直在阅读。我看过这个tutorial并且似乎无法理解训练系统所需的数据。我将拥有的数据是:

• 保存在数据库中的每个加密狗的位置(连同 mac 地址)，x 和 y 坐标
• 离我的 android 设备最近的加密狗的接收信号强度指示器 (RSSI)
• mac 地址将用于查询特定加密狗的数据库

我知道数据必须是 SVM 格式，但我有点不确定输入数据和输出数据应该是什么。下面的示例摘 self 提到的教程，它表明男人是一个类(class)，女人是一个类(class)。那么就我而言，我会只有一类“加密狗”吗？加密狗中的所有值都应该反射(reflect)我存储在数据库中的值吗？

man voice:low figure:big income:good

woman voice:high figure:slim income:fare

1. Convert the feature values to its numeric representation. Let's say, that best salary would be 5 and worst salary 1 (or no salary = 0), the same with other enumarated variables.
2. We have 2 classes, man and women . convert the classes to numeric values: man = 1, woman = -1
3. Save it in libsvm data format:

[class/target] 1:[firstFeatureValue] 2:[secondFeatureValue] etc. ex.: a women with great salary, low voice and small figure would be encoded like: -1 1:5 2:1.5 3:1.8

In general the input file format of SVM is

[label] [index1]:[value1] [index2]:[value2] ... [label] [index1]:[value1] [index2]:[value2] ...

谁能举个例子说明我的目标是什么？

这对我来说都是全新的，所以任何有助于我前进的提示或技巧都会很棒。提前致谢

Answer 1

我已经为室内定位实现了 WiFi 指纹识别，所以我知道这里的一些问题。

首先，要确定您的位置，您是否正在执行指纹识别或信号强度三边测量(人们错误地称为三角测量)？三边测量是将多个球体相交以在空间中找到位置的过程。另一方面，指纹识别是一个分类问题，它将信号解析到一个没有计算实际距离的位置。

由于多路径衰落等无线问题，在室内进行三边测量极为困难。这些影响会导致您的信号衰减，进而导致您的距离估计出现偏差。

指纹只是一个分类问题。与三边测量一样，它假设加密狗的位置不会改变。但是，与三边测量不同，它根本不使用距离。

三边测量的优势在于，假设距离估计是正确的(这在现实中很难实现)，您将能够在连续(非离散)范围内解析您的位置。由于指纹识别是一个分类问题，它必须分类到一组固定的离散位置中的一个；例如，如果您的蓝牙 radio 沿着房间的周边布置，您最终可能会将房间内部离散化到 3x3 可能位置之一。

如果您要进行指纹识别，那么您将需要收集具有如下特征向量的训练数据:

MAC_1:-87, MAC_2:-40, MAC_3:-91, class=location_A
MAC_1:-31, MAC_2:-90, MAC_3:-79, class=location_B

对于房间中的每个位置，您可以从所有可以感应到的可用蓝牙 radio 中读取 RSSI。每个位置至少应读取 10 个读数。对于 WiFi，RSSI 值是以分贝为单位的整数，范围在 -100 到 -1 之间(例如，-20 dB 表示您离 radio 很近)。

现在，当您尝试执行分类时，您将读取如下内容:

MAC_1:-89, MAC_2:-71, MAC_3:-22, class=?

问题是将这些 RSSI 读数分类到其中一个位置。

在我之前的工作中，我使用了朴素贝叶斯分类器而不是支持 vector 机，因为朴素贝叶斯很容易容纳缺失的特征(通过允许您为缺失的特征提供小概率质量)。此外，在朴素贝叶斯中，我使用高斯 PDF 函数来计算似然概率 P(location | MAC_i = RSSI_i)，因为所有 RSSI 值都是数字。