Page 89 - 基于深度学习的人工智能技术研究

第三章 深度学习理论与实践

器算法可以推算模拟到用户需要的内容。这些机器算法都会检测出来，紧接着给
用户贴上对应标签。
（四）机器学习算法在数据挖掘中的具体应用
1. 以机器学习算法为基础推进 GSM 网络在定位中的合理利用

（1）定位问题
建模模型的构建和利用，通常是将向量机定位方式作为其中的基础组成部分。
通过这种方式能够实现定位位置的栅格化。如果栅格位置面积较小，那么可以将
其划分为一种独立类别。将机器学习算法作为基础，对 GSM 网络进行合理利用，

促使其在定位位置范围内能够实现对大量终端测量数据准确有效的收集。以现代
信息技术为基础，可以对测量报告展开深入分析，对栅格精准度以及距离度量等
各项参数进行准确测量。后续对移动终端的栅格也可以实现预估和判断，通过对
机器学习的合理利用，能够实现求解等相关工作的有效推进。

（2）基站经纬度的定位
机器学习算法在移动终端定位中的应用具有非常重要的影响和作用，但是其
自身具备一定难度。特别是如果整个区域范围面积有所增加时，分类以及模型势
必会有所增加，同时模型自身复杂度也会随之上升。所以机器学习算法在移动终

端定位中的应用，其自身定位区域面积不断扩大，随之消耗的时间也会有所增加。
在基站经纬度基础上，可以实现早期定位处理。在具体操作中，将边长为 10km
正方形全部分割成为边长为 1km 的小栅格。要想保证数据范围内相关信息定位
准确性和有效性，需要对边长为 1km 的小栅格进行准确有效的计算。如果想要

获取边长为 10km 的大栅格，则需要针对 1km 栅格进行计算，保证计算结果的准
确性和有效性。
（3）向量机的二次定位
定位操作确定之后，需要对正方向进行确定。通常情况下，由于第一级机器

定位区域设计为 400m，所以该环节定位输出通常是以 100m 的栅格为其中心点，
以此保证相关数据计算结果的准确性和有效性。二级机器与第一级定位相比，其
自身在定位计算时的难度有所下降，同时整个操作过程具有一定便利性。样本向
量机的计算以及决策函数向量机计算，通常都属于后期预算范畴。由于栅格一直

在不断变小，定位精准度有所提升，但是由于分类问题数量一直在增加，所以定
位的复杂度也会随之上升。

81