论文部分内容阅读
摘要：本文设计的针对移动应用终端位置服务的精准定位由WI-FI指纹部分和Ranknet算法定位部分组成。WI-FI指纹部分利用位置指纹信息，分析指纹数据采集的相关工作量，最后通过应用程序来估计出测试指纹的位置。而Ranknet 算法定位部分，经过提取有效定位特征并激励于神经网络中进行准确的排序，得到的位置坐标信息将作为结果反馈给用户。
关键词：WI-FI指纹;神经网络;Ranknet算法定位
一.前言
针对位置定位的精准性，GPS进行定位处理，这只是个方便的办法。在实际应用中，对基Ranknet神经网络的精准定位算法。这种定位算法可以有效的解决系统响应时间短等问题，已得到相关的处理，可以很大程度上提 高定位的精准度。让使用者有着更好的体验。
二.WI-FI指纹的提取及定位
WI-FI指纹的提取过程如下：
首先，考虑利用位置指纹信息，分析指纹数据采集的相关工作量，在使用位置指纹定位时，主要经过离线阶段部分和在线阶段部分。一个移动终端的大概位置实际是很不确定的，也可能根本不在那个区域。如果可以选择其中一个样本进行测试，将最终的测试值输入到网络中。想要找到移动终端的位置信息，就必须从指纹特性中找到最匹配的信息特征。最后，通过算法计算得出结果，移动终端最终就会被确认下来。
WI-FI指纹的定位过程如下：
移动终端会接收测试的数据并开始传达相关的定位请求信息，最后通过应用程序估计出测试指纹的位置。
三.Ranknet算法介绍
首先，主要执行收集采集数据和应用准确定位反馈时间的特征。在指纹算法粗定位阶段，由提取的信息指纹特征，计算出相应的定向位置的相关特性，再计算出粗定位的最终结果。在神经网络精定位阶段，将经过上述粗定位的提取阶段的有效定位特征激励于神经网络模型中进行准确的排序，得到的位置坐标信息将作为定位结果。
该系统的算法框图如下：
四.Ranknet网络结构
用于神经网络的方法学习，主要包括：输入层、隐藏层和输出层。输入层中每个位置的特征由相应神经信息表示，在设备使用中将有效的特征进行排列处理，将其设置为神经网络结构的激励信息。而虚部代表隐藏层，这是不可缺少的一部分，最后响应为完整的神经元。这种方法看起来会很清晰，更直觀。
该系统的网络结构图如下：
五.算法的实现过程
获取无线定位的有效空间的信息过程，然后根据定位的相关精度以及速率等信息。把采集的有效信息数据作用于指纹特征库，从中获取结果并记录处理，最终用于实验检测。
在有效定位阶段，所获取的相应值，而后计算真实定位坐标点，坐标的距离应当不超过初始状态的预定值。在有效时间，过程中依次进行算法处理，对应时间作为指标的值。如果部分时间使用算法过程所消耗时间占比都要大于有效定位值，那么应用程序就会做出提示响应。
六.Ranknet定位算法的特色
定位精度值在很大程度上超于传统定位算法，其定位的成功率也是略胜一筹的。
做出了相关的定位算法以及设计规则模型定位功能等，有效的处理了网络服务器响应时间短的问题。
使位置的定向处理技术进一步的提升，未来对移动终端应用的方面还会加大相关的研究，使用户在使用方面达到最高期望值。
参考文献：
[1]吴争.RankLib基于大数据的移动终端定位的方法[J].2019广东通信青年论坛优秀论文专刊刊.2019
[2]Learning to Rank简介[J].
[3]Tie-yan Liu.Learning to Rank for Information Retrieval[J].
基金项目：本文为2020年山东英才学院大学生专项科研项目：Ranknet方法在移动终端的应用（项目编号：20YCKYXS11）的研究成果。
关键词：WI-FI指纹;神经网络;Ranknet算法定位
一.前言
针对位置定位的精准性，GPS进行定位处理，这只是个方便的办法。在实际应用中，对基Ranknet神经网络的精准定位算法。这种定位算法可以有效的解决系统响应时间短等问题，已得到相关的处理，可以很大程度上提 高定位的精准度。让使用者有着更好的体验。
二.WI-FI指纹的提取及定位
WI-FI指纹的提取过程如下：
首先，考虑利用位置指纹信息，分析指纹数据采集的相关工作量，在使用位置指纹定位时，主要经过离线阶段部分和在线阶段部分。一个移动终端的大概位置实际是很不确定的，也可能根本不在那个区域。如果可以选择其中一个样本进行测试，将最终的测试值输入到网络中。想要找到移动终端的位置信息，就必须从指纹特性中找到最匹配的信息特征。最后，通过算法计算得出结果，移动终端最终就会被确认下来。
WI-FI指纹的定位过程如下：
移动终端会接收测试的数据并开始传达相关的定位请求信息，最后通过应用程序估计出测试指纹的位置。
三.Ranknet算法介绍
首先，主要执行收集采集数据和应用准确定位反馈时间的特征。在指纹算法粗定位阶段，由提取的信息指纹特征，计算出相应的定向位置的相关特性，再计算出粗定位的最终结果。在神经网络精定位阶段，将经过上述粗定位的提取阶段的有效定位特征激励于神经网络模型中进行准确的排序，得到的位置坐标信息将作为定位结果。
该系统的算法框图如下：
四.Ranknet网络结构
用于神经网络的方法学习，主要包括：输入层、隐藏层和输出层。输入层中每个位置的特征由相应神经信息表示，在设备使用中将有效的特征进行排列处理，将其设置为神经网络结构的激励信息。而虚部代表隐藏层，这是不可缺少的一部分，最后响应为完整的神经元。这种方法看起来会很清晰，更直觀。
该系统的网络结构图如下：
五.算法的实现过程
获取无线定位的有效空间的信息过程，然后根据定位的相关精度以及速率等信息。把采集的有效信息数据作用于指纹特征库，从中获取结果并记录处理，最终用于实验检测。
在有效定位阶段，所获取的相应值，而后计算真实定位坐标点，坐标的距离应当不超过初始状态的预定值。在有效时间，过程中依次进行算法处理，对应时间作为指标的值。如果部分时间使用算法过程所消耗时间占比都要大于有效定位值，那么应用程序就会做出提示响应。
六.Ranknet定位算法的特色
定位精度值在很大程度上超于传统定位算法，其定位的成功率也是略胜一筹的。
做出了相关的定位算法以及设计规则模型定位功能等，有效的处理了网络服务器响应时间短的问题。
使位置的定向处理技术进一步的提升，未来对移动终端应用的方面还会加大相关的研究，使用户在使用方面达到最高期望值。
参考文献：
[1]吴争.RankLib基于大数据的移动终端定位的方法[J].2019广东通信青年论坛优秀论文专刊刊.2019
[2]Learning to Rank简介[J].
[3]Tie-yan Liu.Learning to Rank for Information Retrieval[J].
基金项目：本文为2020年山东英才学院大学生专项科研项目：Ranknet方法在移动终端的应用（项目编号：20YCKYXS11）的研究成果。