Samsonite 電腦包的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列地圖、推薦、景點和餐廳等資訊懶人包

Samsonite 電腦包進入發燒排行的影片

機器學習和資料融合於無線感測節點之佈建與定位

為了解決Samsonite 電腦包的問題，作者高俊豪 這樣論述：

無線室內定位的蓬勃發展，與廣泛使用的各種行動裝置及推陳出新的適地性服務（location-based service, LBS）相關應用息息相關。對室內定位系統而言，定位精準度是最重要的基準之一。因此，須採用合適的無線技術、定位方法，及無線感測器節點的佈建，以滿足定位精準度與不同的應用需求。本論文從無線感測器節點的數量及場景可移動性的需求切入，主要透過機器學習與資料融合，提出無線感測器節點佈建的優化及無線室內定位方法，以提升定位精準度。對於固定室內場景，透過機器學習進行模式識別的訊號紋定位法()被認為是有效的室內定位方法。基於訊號紋(fingerprint)的定位方法, 是假定場景中的每個位

置都有來自感測器的相對應資料特徵。最常用的RF fingerprint，是從不同無線傳感器節點所獲得的接收信號強度（received signal strength, RSS）值組成。透過分類器或回歸演算法，識別輸入的fingerprint以推論目標的位置。但是，傳統的訊號紋定位法() 仍然會受到環境混亂或人體遮擋因素引起的RSS波動影響，而難以識別訊號紋所代表的正確位置。因此，可以透過優化無線感測器節點的佈建來改善。然而，感測器節點的佈建是一個NP-complete的問題。因此本論文首先提出一種基於基因演算法與電腦視覺輔助的感測器節點佈建的優化方法，此方法能找到最佳的佈建位置，可提高定位精準

度並減少現場勘測所需的工作量。此外，從機器學習的角度而言，增加特徵數量亦為提升正確率的方式。因此，對於應用於固定場景中的定位，還亦可透過添加參考標簽 (reference tag) 的方式，增加一組fingerprint的特徵。藉由結合感測器佈建方法與增加reference tag的方式，應用於門禁管制，可提升區域的定位精準度。實驗結果顯示，本方法之定位誤差距離在0.42 m之內的累積分佈函數（CDF）達到97.4％。對於變動場景的使用情境下，常規的方法將顯得力不從心。舉例來說，為了貼附於如資產等可移動物品上的BLE信標(beacon)建立radio map，是不切實際的作法。本論文認為透過群

眾外包(crowdsourcing)的方式，能有效解決可移動物品的追踨與定位問題。多人協作的crowdsourcing方法，由參與的用戶群提供現場的場景定位資訊，可減少重複進行現場勘測以更新無線電地圖的工作量。此外，在crowdsourcing的架構下，系統中參與的智慧型手機用戶愈多，即可提高對物品的定位精準度。而智慧型手機被認為是最適合的定位無線定位裝置之一，是因為智慧型手機支援Wi-Fi與低功耗藍牙（Bluetooth low energy, BLE）等無線通訊技術，且擁有內建感應器（inertial measurement unit, IMU）。基於Wi-Fi的定位系統可在較大的室內區域

對智慧型手機進行粗粒度的定位。而智慧型手機可透過BLE對移動物品進行細粒度定位。此外，還能透過Wi-Fi提供場景的定位資訊以更新radio map。在單一信號源的情況下，針對移動物品的定位，若採用鄰近 (proximity) 法僅能獲得近似的範圍。而利用智慧型手機則可產生一連串相對應的時間序列資料，其中包含IMU感測器資料與BLE的RSS數值。故本論文提出一種基於可處理時間序列資料之卷積神經網路（convolutional neural network, CNN），用於智慧型手機的單一信標方向性定位法。所提出的方法使用CNN對包含異質性感測器的時間序列資料進行數據融合及特徵擷取，以推論追踨物品

的方向。實驗結果顯示，本方法之平均定位誤差為10.44度。