2009/2/12 Roberto Navoni <r.nav...@radionav.it>: > ho letto con attenzione le tue valutazioni sugli algoritmi da utilizzare > per valutare la posizione in relazione ad una serie di misure ... Io
Non dirmi che sei cascato nelle stupidate che ho scritto ;-) > sto' sviluppando un sistema che effettua il log del livello di segnale > ricevuto da una singola cella , l'id della cella e la posizione gps in > cui è stata effettuata la lettura di quel dato . Premetto che su alcuni > dispositivi è possibile effettuare letture multiple quindi piu' celle > con piu' segnali ed un'unica posizione GPS. Non sapevo dell'esistenza di strumenti così raffinati. In effetti la misurazione, oltre che del CellID agganciato, anche della sua intensità e di altri CellId nei dintorni aumenta di tantissimo i dati raccolti e la precisione. Premetto che non conosco le reti neurali né l'RSSI (la pagina wiki di quest'ultima sigla è un po' scarna). Personalmente non mi piacciono le reti neurali perché hanno sempre quell'aura di magia: metti dentro un po' di dati e poi forse funziona... Con i tuoi strumenti forse userei l'approccio che citavo all'inizio, cioè quello della famiglia di distribuzioni di probabilità: tu con una sola "lettura" in pratica ricostruisci tutta la distribuzione in quel punto, perché senti tutti i CellID con le relative intensità. Le tue "celle" in realtà non sono più dei polygon (cioè qui sono nella cella 1, qua sono nella cella 2) ma delle colorazioni dello spazio con differenti intensità di colore (cioè qui sento bene la cella 1 e la cella 2, qua sento peggio la 1 ma meglio la 2). Il problema è che non campionerai tutti i punti dello spazio: dai punti campionati devi risalire alla colorazione di tutti gli altri punti dello spazio. Mi vengono in mente vari modi: 1. rete neurale: della serie "non so come fare, agito la bacchetta e spero" ;-) 2. approccio geometrico: ho una serie di punti colorati, provo qualche costruzione geometrica (ad es. inviluppo convesso) 3. approccio probabilistico: vedi qui sotto Con l'algoritmo EM (http://en.wikipedia.org/wiki/Expectation-maximization_algorithm) dalle misure puoi ricostruire la posizione delle antenne e le relative intensità. In particolare: http://en.wikipedia.org/wiki/Expectation-maximization_algorithm#Example:_Gaussian_Mixture I parametri che stiamo cercando sono la posizione delle antenne (mean) e la relativa intensità (standard deviation). Con l'algoritmo EM puoi stimarli. A questo punto hai un modello statistico della rete delle antenne (che magari non c'entra niente con la realtà), che è l'analogo della tua rete neurale dopo la fase di apprendimento. Quando poi fai una nuova misura e vuoi sapere dove sei, applichi il criterio di massima likelihood al modello statistico e alla misura che hai appena effettuato. (L'analogo del tuo "eseguire" la rete neurale) In tutto questo incroci le dita, perché la matematica coinvolta non è da premi Nobel ma richiede comunque un po' di esperienza (io stesso sono laureato in matematica e non riesco a capire fino in fondo quello che ho detto...) > Che ne dici ? In bocca al lupo con le reti neurali, non ci credo ma probabilmente funzionano meglio delle boiate che sostengo io :-) Ciao _______________________________________________ Talk-it mailing list Talk-it@openstreetmap.org http://lists.openstreetmap.org/listinfo/talk-it
