In Internet of things (IoT) millions of devices are intelligently connected for providing smart services. Especially in indoor localization environment, that is one of the most concerning topic of smart cities, internet of things and wireless sensor networks. Many technologies are being used for localization purpose in indoor environment and Wi-Fi using received signal strengths (RSSs) is one of them. Wi-Fi RSSs are sensitive to reflection, refraction, interference and channel noise that cause irregularity in signal strengths. The irregular and anomalous RSS values, used in a Wi-Fi indoor localization environment, cannot define the location of any unknown node correctly. Therefore, this research has developed an outlier detection technique named as iF_Ensemble for Wi-Fi indoor localization environment by analyzing RSSs using the combination of supervised, unsupervised and ensemble machine learning methods. In this research isolation forest (iForest) is used as an unsupervised learning method. Supervised learning method includes support vector machine (SVM), K-nearest neighbor (KNN) and random forest (RF) classifiers with stacking that is an ensemble learning method. For the evaluation purpose accuracy, precision, recall, F-score and ROC-AUC curve are used. The evaluation of used machine learning method provides high accuracy of 97.8 percent with proposed outlier detection methods and almost 2 percent improvement in the accuracy of localization process in indoor environment after eliminating outliers.

中文翻译：

---

使用机器学习在室内定位和物联网 (IoT) 中进行异常值检测

在物联网 (IoT) 中，数以百万计的设备被智能连接以提供智能服务。特别是在室内定位环境中，这是智慧城市、物联网和无线传感器网络最受关注的话题之一。许多技术被用于室内环境中的定位目的，使用接收信号强度 (RSS) 的 Wi-Fi 就是其中之一。Wi-Fi RSS 对导致信号强度不规则的反射、折射、干扰和信道噪声很敏感。在 Wi-Fi 室内定位环境中使用的不规则和异常 RSS 值无法正确定义任何未知节点的位置。所以，本研究通过结合使用有监督、无监督和集成机器学习方法分析 RSS，开发了一种名为 iF_Ensemble 的异常值检测技术，用于 Wi-Fi 室内定位环境。在这项研究中，隔离森林 (iForest) 被用作无监督学习方法。监督学习方法包括支持向量机 (SVM)、K-最近邻 (KNN) 和随机森林 (RF) 分类器，堆叠是一种集成学习方法。出于评估目的，使用准确率、准确率、召回率、F 分数和 ROC-AUC 曲线。所使用的机器学习方法的评估提供了 97.8% 的高准确率，提出了异常值检测方法，并且在消除异常值后，室内环境中定位过程的准确率提高了近 2%。无监督和集成机器学习方法。在这项研究中，隔离森林 (iForest) 被用作无监督学习方法。监督学习方法包括支持向量机 (SVM)、K-最近邻 (KNN) 和随机森林 (RF) 分类器，堆叠是一种集成学习方法。出于评估目的，使用准确率、准确率、召回率、F 分数和 ROC-AUC 曲线。所使用的机器学习方法的评估提供了 97.8% 的高准确率，提出了异常值检测方法，并且在消除异常值后，室内环境中定位过程的准确率提高了近 2%。无监督和集成机器学习方法。在这项研究中，隔离森林 (iForest) 被用作无监督学习方法。监督学习方法包括支持向量机 (SVM)、K-最近邻 (KNN) 和随机森林 (RF) 分类器，堆叠是一种集成学习方法。出于评估目的，使用准确率、准确率、召回率、F 分数和 ROC-AUC 曲线。所使用的机器学习方法的评估提供了 97.8% 的高准确率，提出了异常值检测方法，并且在消除异常值后，室内环境中定位过程的准确性提高了近 2%。K-最近邻 (KNN) 和随机森林 (RF) 分类器具有堆叠，这是一种集成学习方法。出于评估目的，使用准确率、准确率、召回率、F 分数和 ROC-AUC 曲线。所使用的机器学习方法的评估提供了 97.8% 的高准确率，提出了异常值检测方法，并且在消除异常值后，室内环境中定位过程的准确率提高了近 2%。K-最近邻 (KNN) 和随机森林 (RF) 分类器具有堆叠，这是一种集成学习方法。出于评估目的，使用准确率、准确率、召回率、F 分数和 ROC-AUC 曲线。所使用的机器学习方法的评估提供了 97.8% 的高准确率，提出了异常值检测方法，并且在消除异常值后，室内环境中定位过程的准确率提高了近 2%。