K-Maximum LikeliHood Neighbor là thuật tốn xác định K phần tử láng giềng cĩ khả năng nhất để xác định K địa điểm cĩ khả năng nhất của người sử dụng thiết bị di động. Trong số các địa điểm K, chúng ta chọn một số vị trí phù hợp nhất bằng cách sử dụng các thuật tốn theo dõi vị trí quá khứ trước đĩ để ràng buộc giảm bớt một số địa điểm K. Thuật tốn K-Maximum LikeliHood Constraint Tracking Neighbor ở mục tiếp theo sẽ đưa ra một hướng tiếp cận dựa trên vị trí quá khứ để giới hạn điểm đến trong hiện tại.
Trong chương 2 đã giới thiệu một số loại thuật giải để xác định vị trí của người dùng. Trong luận án này nghiên cứu 2 loại thuật giải sau:
Loại 1: Xác định Khoảng cách Euclide chọn K hầu hết các hàng xĩm gần nhất dựa vào khoảng cách Euclide, và sau đĩ trả về trung bình của các địa điểm này K như một ước tính của vị trí hiện tại của người dùng.
Loại 2: Xác định các vị trí cĩ nhiều khả năng xảy ra nhất bằng cách sử dụng quy tắc Bayes.
Thuật tốn K-Maximum LikeliHood Neighbor được lấy ý tưởng từ việc kết hợp hai loại thuật tốn định vị trên. Mã giả của KMLN được hiển thị trong thuật tốn 5. Cụ thể, KMLN lựa chọn địa điểm K cĩ nhiều khả năng sử dụng quy tắc Bayes. Trong luận văn này sử dụng quy tắc Bayes thay vì khoảng cách Euclide là vì quy tắc Bayes tốt hơn và cĩ thể đạt được độ chính xác cao hơn trong trường hợp của các tín hiệu sĩng vơ tuyến yếu và cĩ sự nhiễu sĩng rất phổ biến ở mơi trường trong nhà.
Chúng ta sử dụng K-Maximum Likelihood Neighbor chỉ để chọn K địa điểm cĩ khả năng nhất, và sau đĩ tính tốn vị trí của người dùng bằng cách lấy trọng tâm của K địa điểm cĩ khả năng nhất.
Thuật tốn K-Maximum LikeliHood Neighbor dựa trên quy tắc Bayes trong cơng thức 3.18 sau:
Algorithm 5 K-Maximum LikeliHood Neighbor Algorithm 1. N số lượng AP
2. 0
3.
4. K số lượng phần tử láng giềng cĩ khả năng nhất
5. for each trong tập vị trí tham chiếu ( do
6. for each giá trị thuộc vector (
7. if is null then
8.
9. else
10. xác suất xuất hiện của giá trị RSS của AP thứ i tại vị trí 11. end 12. end 13. end 14. for i 1 to m do 15. 16. 17. //Tính 18. for i 1 to m do 19. 20. 21. for i 1 to m do 22. 23. Thêm vào 24. end 25. Sắp xếp theo thứ tự giảm dần
Algorithm 6 Building Probability Distribution Table Algorithm
1. for each trong tập vị trí tham chiếu ( do
2. for each trong các thiết bị AP của hệ thống IPS (j do
3. for each giá trị của tại vị trí do
4. Xác suất xuất hiện của giá trị của tại vị trí 5. end 6. end 7. end Ưu điểm: Chỉ xây dựng 1 lần Nhược điểm:
Cần tập dữ liệu huấn luyện lớn