如何在Java中使用LibSVM？

我正在尝试使用蓝牙加密狗实现一个室内位置跟踪系统。这个想法是使用android设备四处走动，并根据房间周围放置的蓝牙狗的信号强度计算您在房间中的位置。 为了做到这一点，我决定使用机器学习尽可能接近RSSI作为距离，例如米。 我大学的一位讲师告诉我，我正在寻找LibSVM，所以我一直在阅读。 我看了一下，似乎无法理解培训系统所需的数据。 我将拥有的数据是：

• 保存在数据库中的每个加密狗的位置（以及mac地址），x和y坐标
• 离我的android设备最近的加密狗的接收信号强度指示器（RSSI）
• mac地址将用于查询数据库中的某些加密狗

我知道数据必须是SVM格式，但我有点不确定输入数据和输出数据应该是什么。下面的例子取自我提到的教程，显示了男人是一个阶级，女人是一个阶级。那么在我的情况下，我会只有一个类“加密狗”吗？所有的加密狗值都应该反映我存储在数据库中的值吗

男配音：低数字：高收入：好

女声：高身材：苗条 收入：车费

将要素值转换为其数值表示形式。比如说，最好的薪水是5，最差的薪水是1（或者没有薪水）= 0），与其他枚举变量相同

我们有两个班，男班和女班。将类转换为数值：man=1，woman=-1

以libsvm数据格式保存：

[class/target]1:[firstFeatureValue]2:[secondFeatureValue]等，例如： 一个薪水高、声音低、身材小的女人会被编码 比如： -1:5 2:1.5 3:1.8

通常，支持向量机的输入文件格式为

[label][index1]：[value1][index2]：[value2]。。。[标签] [index1]：[value1][index2]：[value2]

有人能给我举个例子说明我应该瞄准什么吗

这对我来说都是全新的，所以任何有用的提示或提示都会很好。

---

提前感谢

我认为你不能用支持向量机来做你所说的（计算你在房间里的位置…）支持向量机是一种有监督的二进制分类算法。也就是说，如果您给它一些数据和一些正/负类，它将学习一个分类器，可以告诉您新的、未观察到的数据点是正的还是负的。因此，您可以训练SVM来告诉您一个人是否在房间的一侧而不是另一侧（南侧/北侧），但不知道他们的实际位置

看起来你想做的事情根本不需要机器学习。见以下帖子：

编辑：鉴于您的澄清，我建议使用回归。SVM绝对不适合您想要做的事情；即使使用SVM进行回归，它也只能在一维中工作

---

您要做的是获取尽可能多的数据（data=RSSI，label=distance）并将它们嵌入到度量空间中，可能是在您拥有的加密狗数量的维度中。然后，给定一些新数据（RSSI信号强度），找到空间中的最近邻，并计算距离上的某种平均值。

由于您的输出是一个实数（距离），我们讨论的是回归问题，而不是分类问题。 我不清楚您要查找的值是与加密狗最近的距离，还是您的 输出将是到所有加密狗的一组距离。这是你需要首先澄清的事情

有几种算法可以做到这一点，但由于你问的是支持向量机，我会范围 这个答案正好说明了这一点。我假设你的输出只是一个表示距离的值，如果你是 期望有多维输出，并且SVR（支持向量回归）只提供一维输出， 您需要为每个维度训练一个实例

libsvm的参数之一是svm_类型，因为问题是一个回归问题，您应该使用选项3-εSVR

对于核型，我建议考虑RBF（选项2 -径向基函数）

对于您的数据，这是一种可能的安排：

| dongle 1           | dongle 2           | dongle 3           | desired output
| x    | y    | RSSI | x    | y    | RSSI | x    | y    | RSSI |   
---------------------------------------------------------------------------------
| 10.0 | 11.1 | 2.3  | 0.0  | 1.1  | 0.3  | 17.0 | 19.1 | 0.3  |     10.3
| 30.0 | 17.1 | 0.3  | 10.0 | 1.1  | 0.9  | 11.0 | 9.1  | 0.2  |     18.7

因此，这将转化为（大括号只是为了清楚起见）：

始终建议在[-1,1]或[0,1]之间缩放数据。 此外，您可以在这里找到一些示例数据

---

希望这有帮助

我已经为室内定位实施了WiFi指纹识别，因此我知道这里存在一些问题

首先，为了确定您的位置，您是否在执行指纹或信号强度三边测量（人们错误地称之为三角测量）？三边测量是将多个球体相交以在空间中找到位置的过程。另一方面，指纹识别是一个分类问题，它将信号解析到一个没有计算实际距离的位置

由于多径衰落等无线问题，室内三边测量非常困难。这些影响将导致你的信号衰减，这反过来将导致你的距离估计关闭

指纹只是一个分类问题。与三边测量一样，它假设加密狗的位置不变。然而，与三边测量不同，它根本不使用距离

三边测量的优点是，假设距离估计值是正确的（实际上很难实现），您将能够在连续（非离散）范围内解析您的位置。由于指纹是一个分类问题，它必须分类到一组固定的离散位置之一；例如

[10.3] [1]:[10.0] [2]:[11.1] [3]:[2.3] [4]:[0.0] [5]:[1.1] [6]:[0.3] [7]:[17.0] [8]:[19.1] [9]:[0.3]
[18.7] [1]:[30.0] [2]:[17.1] [3]:[0.3] [4]:[10.0] [5]:[1.1] [6]:[0.9] [7]:[11.0] [8]:[9.1] [9]:[0.2]

MAC_1:-87, MAC_2:-40, MAC_3:-91, class=location_A
MAC_1:-31, MAC_2:-90, MAC_3:-79, class=location_B

MAC_1:-89, MAC_2:-71, MAC_3:-22, class=?