33 lines
1.2 KiB
TeX
33 lines
1.2 KiB
TeX
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
|