3.18基于接收信号强度的WiFi室内定位补充开放数据集

文章来源：

Jingxue Bi and Yunjia Wang and Baoguo Yu and Hongji Cao and Tongguang Shi and Lu Huang Supplementary open dataset for WiFi indoor localization based on received signal strength Satellite Navigation 3 (2022)

Availability of data and materials

The present dataset is released in the GitHub repository of the first author, and

the URL is https://github.com/renwudao24/SODIndoorLoc.

摘要

接收信号强度(RSS)的无线保真度(WiFi)指纹数据集被用于室内定位。然而，它们并不能完全满足基于WiFi rss的定位需求。本文提出了一个基于RSS的WiFi室内定位补充开放数据集SODIndoorLoc，该数据集覆盖了三栋多层建筑。数据集包含密集且均匀分布的参考点(RPs)，相邻参考点之间的平均距离小于1.2 m。此外，还在SODIndoorLoc中总结了预安装接入点(ap)的位置和信道信息。此外，还提供了各楼层的计算机辅助设计图纸。SODIndoorLoc提供9个训练和5个测试表。探索了四种标准机器学习算法及其变体(共八种)来评估定位精度，最佳平均定位精度约为2.3 m。因此，SODIndoorLoc可以作为UJIIndoorLoc的补充，格式一致。该数据集可用于聚类、分类和回归，比较基于WiFi RSS值的不同室内定位应用的性能，如高精度定位、建筑、地板识别、细粒度场景识别、距离模型仿真、快速数据集构建等。

结论

建立了WiFi室内定位的补充开放数据集。SODIndoorLoc是一个具有密集rp的数据集。并提供了预安装ap的位置和信道信息。因此，可以将其作为UJIIndoorLoc数据集的补充。它包括三栋建筑和多个楼层，其中有走廊，办公室和会议室。总建筑面积约8000平方米。在不同地点设置了1800多个点，rp的数量大约是tp的6倍。在这些点记录了23,935个样本，其中21,205个样本用于训练/学习，2720个样本用于测试/验证。三栋大楼预装了105个单波段和双频接入点。考虑到训练数据中样本数量和mac数量的差异，数据集中有9个训练表和5个对应的测试表。两个相邻采样点之间的距离在两座建筑中约为1.2 m，而在三层建筑中约为0.5 m。引入了四种机器学习方法(共八种变体)来估计具有默认参数的tp的位置。最佳平均定位精度约为2.3 m。