many eval things

moved obsolete code
TeX work

tex/chapters/experiments.tex

@@ -8,6 +8,24 @@ modell direkt fuer den gelaufenen pfad optimiert (also wirklich jede wifi messun
 der fehler wird zwar kleiner, ist aber immernoch deutlich spürbar. das spricht dafür, dass das modell einfach nicht
 gut geeignet ist.
 
+outdoor fehler kann gemnindert werden mit z.B.
+nicht nur die APs nehmen die ich sehe, sondern auch die, die ich sehen müsste
+dann wird klar, dass es nicht gut passt. allerdings ist das auch gefaehrlich
+[nicht immer tauchen alle APs im scan auf] und welchen fehler bzw. welche
+dBm zahl nimmt man fuer fehlende APs an? das ist eine hardware-frage.
+
+ein workaround fuer steigende fehler durch optimierung koennte sein,
+dass man nicht jeden AP einzeln optimiert, sondern das gesamtsystem.
+und auch nicht den dB fehler, sondern 'die wahrscheinlichkeit an dieser stelle zu sein'
+bzw: 'die wahrscheinlichkeit aller anderen positionen minimieren' dass keine
+fehl-positionierungen [wie outdoor] mehr stattfinden. allerdings ist das
+problematisch da man auch hier entscheiden müsste wann ein AP nicht mehr
+sichtbar ist etc.
+
+walk1 hat eine issue kurz bevor man zur tuer zum hoersaalgebaude reingeht
+je nach resampling killt dieser wlan error evtl alle partikel!
+
+
 optimierungs input: alle 4 walks samt ground-truth
 dann kommt fuer die 4 typen [fixed, all same par, each par, each par pos]
 log probability 50 75,	meter 50, 75
@@ -75,3 +93,5 @@ outdoor hat insgesamt nicht all zu viel einfluss, da die meisten APs
 an den outdoor punkten kaum gesehen werden. auf einzelne APs kann
 der einfluss jedoch recht groß sein, siehe den fingerprint plot von
 dem einen ausgewählten AP
+
+wenn noch zeit ist: wie aendert sich die model prediction wenn man z.B. nur die haelfte der referenzmessungen nimmt?