next commit

tex/bare_conf.tex

@@ -195,6 +195,8 @@
 
 \input{chapters/relatedwork}
 
+\input{chapters/work}
+
 \input{chapters/experiments}
 
 \input{chapters/conclusion}

tex/chapters/experiments.tex

@@ -1,10 +1,72 @@
 experiments
 
-Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet.
+
+wir betrachten nur die fest-installierten APs die man meist anhand einer bestimmten mac-range  ausmachen kann
+portable geraete von studenten, beamer, aehnliches werden ignoriert
+
+modell direkt fuer den gelaufenen pfad optimiert (also wirklich jede wifi messung direkt auf den ground-truth)
+der fehler wird zwar kleiner, ist aber immernoch deutlich spürbar. das spricht dafür, dass das modell einfach nicht
+gut geeignet ist.
+
+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
+
+path1
+31.8|38.9		7.8|11.6
+27.3|36.8		7.2|9.8
+24.0|30.3		5.8|10.24
+22.9|29.9		5.0|7.6
+
+hoherer fehler weil mehr outdoor anteil
+path2
+32.0|42.4		12.6|20.9
+28.4|35.2		10.1|16.1
+27.0|34.0		7.0|10.1
+25.4|33.3		8.0|17.2
+
+
+je mehr outdoor, desto schlechter wird es.
+outdoor schadet auch der optimierung
+outdoor schadet mehr als indoor, weil das wifi modell fuer indoor noch halbwegs passt
+aber fuer outdoor so garned
+
+
+fenster sind metallbedampft und schirmen stark ab
+siehe beispielgrafik
+
+gps wird so schnell nicht warm, versagt denn auf dem hof als hilfestellung
+
+reines wifi eval mittels num-opt springt stark durch die gegend
+d.h. das bewegungsmodell rettet uns
+kann man auch testen wenn man beim particle-filter das resampling ganz aus macht
+
 
 \input{gfx/compare-wifi-in-out.tex}
 starker einfluss der glasscheiben.. 3 meter nach dem AP ist nur noch sehr wenig uebrig
 
+ware das grid-model nicht da, wuerde der outdoor teil richtig schlecht laufen,
+weil das wlan hier absolut ungenau ist.. da die partikel aber aufgrund des vorherigen
+walks schon recht dicht beisamen sind, kittet das das ganze sehr gut.
+kann man testen, indem man z.B. weniger resampling macht und mehr alte partikel aufhebt.
+geht sofort kaputt sobald man aus dem gebäude raus kommt
+
+signalstaerke limitieren, wie : alles was im model oder scan < -90 ist, wird auf -90 abgeschnitten hilft
+zwar an manchen stellen, im groben und ganzen führt es aber eher zu fehlern als zu verbesserungen.
+zudem ist zu erwarten, dass diese zahl stark vom geraet/hardware abhaengt
+
+jeweils beim weighting die niedrigste wifi probability weglassen [je nach particle also ein anderer AP]
+bringt auch nicht immer was.. killt gelegentlich floor-changes. zudem stehen am ende nur sehr wenige
+APs zur verfügung. da einen zu ignorieren, macht noch mehr kaputt
+
+auch ein versuch wie werfe alle APs aus dem handy-scan weg, die kleiner -90 sind, birgt die selben risiken
+es scheint wirklich am sinnvollsten, die scan-daten einfach 1:1 zu nehmen wie sie sind
+
+
+kurz vor ende von path 2 will die estimation nicht in die cafeteria, weil ein paar particle
+die treppe richtung h.1.5 hochgehen und durch das wlan sehr sehr hoch gewichtet werden.
+die mittelwert-estimation versagt hier
+
 
 \input{gfx/wifi-opt-error-hist-methods.tex}
 

tex/chapters/work.tex

@@ -0,0 +1,32 @@
+log normal shadowing model
+so wie log-dist modell nur mit waf. hier: fuer decken. waende werden aktuell nicht betrachtet
+
+
+
+wie wird optimiert
+a) bekannte pos + empirische params
+b) bekannte pos + opt params (fur alle APs gleich)		[simplex]
+c) bekannte pos + opt params (eigene je AP)				[simplex]
+d) alles opt: pos und params (je ap)					[range-random]
+
+probleme bei der optimierung beschreiben. convex usw..
+wo geht simplex gut, wo eher nicht
+
+harte WAF übergänge scheinen beim optimieren als auch beim matchen nicht so gut
+gleitende übergänge mittels sigmoid wirken besser
+war eine wichtige erkenntnis
+
+die vom AP bekannte position wird NICHT als input fuer die alles-OPT funktion benutzt
+die ist wirklich 'irgendwo'
+ 
+range-random algo
+domain bekannt [map groesse, txp/exp/waf in etwa]
+genetic refinement mit cooling [= erst grob, dann fein]
+
+optimierung ist tricky. auch wegen dem WAF der ja sprunghaft dazu kommt, sobald messung und AP in zwei unterschiedlichen
+stockwerken liegen.. und das selbst wenn hier vlt sichtkontakt möglich wäre, da der test 2D ist und nicht 3D
+
+aps sind (statistisch) unaebhaengig. d.h., jeder AP kann fuer sich optimiert werden.
+optimierung des gesamtsystems ist nicht notwendig.
+
+pro AP also 6 params. pos x/y/z, txp, exp, waf