《表1 不同模型对UJIIndoorLoc数据的定位精度对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度神经网络的WiFi室内定位系统设计》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为分析文中的室内定位模型性能，对传统常用的机器学习模型:支持向量SVM、随机森林、梯度提升决策树、传统神经网络等四种机器学习模型进行了仿真分析，仿真结果如图6所示.仿真结果表明，对于UJIIndoorLoc大型WiFi指纹数据集，传统的定位模型中，随机森林定位精度要优于其他定位模型.而文章设计的自编码深度神经学习网络架构较传统的机器学习模型包括随机森林模型具有更低的位置偏差、更高的定位精度.将仿真结果相关的仿真参数导出，得到的相关仿真结果表格数据如下表1所示，表格统计数据表明，文中深度神经网络模型的楼宇定位精度与传统的模型相差不大，均可达到99%；但相同条件下，文中深度神经网络模型的楼层定位准确率与位置定位精准度较传统的定位模型更高，楼层定位准确率达到了89.20%，较传统模型提升约6%；位置定位的偏差为211，较传统的模型提升约7%.