BP 神经网络 定位算法实现过程总结

如果有人搜索到BP 神经网络 实现 进来的，对不起啦， 这里面没有介绍神经网络以及实现神经网络的代码。只是一些牢骚和想法。

Python 实现 神经网络，用于8位geohash 回归。 效果还行，但就是8位geohash 太小，不能够进行比较。下一步进行7位geohash的回归

BP神经网络就不说了，参考http://blog.csdn.net/sealyao/article/details/6538361

Python 实现也不难。主要是控制步长，要不然收敛太困难。

代码就不写了，也不能写。哈哈

主要是发现这些训练数据太脏，

脏表现在以下几方面：

1、GPS 虚拟的

2、GPS 漂移

3、GPS不刷新

4、WIFI 不同手机 信号强度不同

5、WIFI 只能扫描30个。

6、一个IMEI号竟然爆发性的向上传了N条。 而且信号强度不一样。

现在主要是通过以下手段进行过滤：

过滤移动AP

过滤掉出现次数较少的mac

匹配mac -100

通过IMEI+时间维度进行训练数据的采样。

这样回归效果还行吧。

希望能想出其他方法。

==========================================分割线==============================================================

实现了 BP 前馈神经网络，对7位geohash 进行了回归，得出的结果是75% 左右的 数据落在了50米范围之内。

但是考虑如果对于在geohash 边界的点，很可能因为wifi 的位置训练不准确，没有落入7位geohash里面。

这样就需要求出多个7位geohash中的位置， 聚类 加权求平均了。

其实这样和指纹定位 差不多。 无论是进行匹配或者进行回归 都是一个match的过程。不像概率。

概率模型总是在找到概率最大的位置，概率模型其实有个很大的弊病。在于：

在这个分布中，最大的概率为30% 那么意思就是30% 的机会落在该区域内。

那么对于其他的几个区域的人 感觉就相当差。

还是梯度下降的方法比较合理。

============================================================================

想了想，不对，确定geohash， 应该再加一层，决策树 或者LR分类。 来确定geohash。

可以参考 垃圾邮件分类的想法。 可以试试，如果7位geohash 的准确率在 98% 以上。 那这个加上回归的 75%

效果杠杠的 比百度要好。

现在同事都在忙着修正Badcase 真的实在 不是研发太菜，真的是产品太**， 揪着几个badcase 不放。

比如：

1、周围荒山野岭就一个基站，定位超过了500米，

2、周围很少的wifi 还有一个基站，训练的wifi 位置和基站不一致， 相差很多， 你是相信基站呢 还是相信wifi 呢。 就是个抉择问题，无论你相信哪一个都可能出现Badcase

3、还有就是说人家在海边 给定位在海里了。（这个问题 真是 想骂街了， 产品你懂不懂定位， 懂不懂如何定位， 我定位的时候 还得先确定一下是不是在海里面？ 你把海岸线坐标告诉我！ 还有江河湖泊！ ）

多了不说了，说多了生气。或者说真的不是百度太强，真是的队友太SB