算法报告

【要解决到的问题】“对于给定的mac-rssi列表，求出特征值。”

【要解决到的问题】“对于给定的mac-rssi列表，求出特征值。”
【线性】
算法1：
1-1、	将Mac-rssi列表按照强度排序，生成一个单一字符串；
1-2、	构造一基准字符串，如“abc123”,计算1中字符串与该基准字符串的Levenshtein距离，以该距离作为Mac-rssi列表的标识值；
1-3、	两列表的2中距离（正实数）差值越小，则认为两列表所来源的物理位置越接近。

【注】该算法对mac-rssi列表的项数变动，具有鲁棒性，但是计算Levenshtein距离的函数不具有单调性，故算法的第二步不成立。

算法2：
2-1、 
引入IEEE对Mac Address的前后24位命名规则，结合前前24位的全球公司数目约15000、大陆约3000，故可以通过该规则对数据降维；构造3维空间：(Mac Address归属机构,机构对所辖MacAddress赋值,rssi);考虑到同一地点同一Mac Address的rssi值在60秒内的变动，通过normalized exponential function函数，对rssi进行归一化处理；
2-2、
将Mac-rssi列表的信号映射到1中3维空间后，进行线性运算，即可求出该Mac-rssi列表在3维空间中的坐标点；
2-3、
两列表的2中最标点的欧式距离或曼哈顿距离约小，则认为两列表所来源的物理位置越接近。

【注】该算法对mac-rssi列表的项数变动，不具有鲁棒性；需要进行非线性处理。

【非线性】
算法1：
1-1、	通过ANN生成一单调函数， mac-rssi列表作为输入值。

【注】由于mac-rssi列表不可穷举性，故该算法不具备完备性；

算法2：
2-1、  将一个WIFI信号视为一存在于WIFI信号列表“contexts”中的“word”，以“Neural Word Embedding”为切入点；依赖tensorflow-word2vec实现ANN，生成单个Mac-rssi的近邻，可间接生成一个mac-rssi列表在二维空间的Embeddings图中的坐标；
		
【注】实际运行代码的初步结论是：1-暂未生成全word的近邻列表，即存在着可能不能实现“mac-rssi二维坐标化”的风险。