不断发展的物联网(IoT)应用通常需要使用基于传感器的室内跟踪和定位,通过识别周围的环境环境的类型,可以显着提高性能。这种识别非常重要,因为它可以提高定位精度。本文提出了一种基于级联两级机器学习方法的新方法,利用自适应选择和射频特征的组合,在室内环境中进行高精度和鲁棒的定位。在该方法中,机器学习首先用于识别室内周围的类型。环境。然后,在第二阶段,机器学习用于识别产生最高定位精度的RF特征的最合适的选择和组合。分析基于k-最近邻(k-NN)机器学习算法,该算法应用于在真实的印度环境中从RF信号的实际测量产生的真实数据集。接收信号强度,信道传递函数和频率相干函数是正在探索和组合的主要RF功能。数值研究表明,基于主要RF特征的连接的预测显着增强,因为定位精度提高了至少50%至超过70%。
translated by 谷歌翻译
机器学习已成为解决复杂问题的一种日益强大的工具,其在公共卫生中的应用未得到充分利用。这项研究的目的是测试机器学习模型在现实环境中的非食物疾病检测的功效。为此,我们构建了一个机器学习模型,用于使用匿名和聚合的网络搜索和位置数据实时检测食源性疾病。我们计算了访问某个特定餐馆的人员的分数,然后搜索了指示食物中毒的故障以识别可能不安全的餐馆。我们利用这些信息来关注两个城市的餐馆检查,并证明FINDER提高了健康检查的准确性; FINDER确定的餐馆是通过现有方法确定的餐馆可能被视为未经检查的3.1倍。此外,FINDER使我们能够确定以前难以处理的流行病学信息,例如,在38%的情况下,餐馆潜在地引起食物中毒不是最后一次访问,这可能解释基于投诉的检查的准确性较低。我们发现,FINER能够可靠地识别具有主动失效信息的餐馆,允许实施纠正措施,以防止食源性疾病的潜在传播。
translated by 谷歌翻译