Pengukuran radius pasti mengalami beberapa kesalahan. Saya berharap jumlah kesalahan sebanding dengan jari-jari itu sendiri. Mari kita asumsikan pengukurannya tidak bias. Solusi yang masuk akal kemudian menggunakan fitting kuadrat terkecil nonlinear , dengan bobot berbanding terbalik dengan jari-jari kuadrat.
Ini adalah hal-hal standar yang tersedia dalam (antara lain) Python R
,, Mathematica , dan banyak paket statistik berfitur lengkap, jadi saya hanya akan menggambarkannya. Berikut adalah beberapa data yang diperoleh dengan mengukur jarak, dengan kesalahan relatif 10%, hingga lima titik akses acak di sekitar lokasi perangkat:
Mathematica hanya membutuhkan satu baris kode dan tidak ada waktu CPU yang dapat diukur untuk menghitung kecocokan:
fit = NonlinearModelFit[data, Norm[{x, y} - {x0, y0}], {x0, y0}, {x, y}, Weights -> 1/observations^2]
Edit--
Untuk jari-jari besar, solusi yang lebih akurat (bola atau ellipsoidal) dapat ditemukan hanya dengan mengganti jarak Euclidean Norm[{x, y} - {x0, y0}]
dengan fungsi untuk menghitung jarak bola atau ellipsoidal. Dalam Mathematica ini bisa dilakukan, misalnya melalui
fit = NonlinearModelFit[data, GeoDistance[{x, y}, {x0, y0}], {x0, y0}, {x, y},
Weights -> 1/observations^2]
--selamat diedit
Salah satu keuntungan menggunakan teknik statistik seperti ini adalah dapat menghasilkan interval kepercayaan untuk parameter (yang merupakan koordinat perangkat) dan bahkan elips kepercayaan simultan untuk lokasi perangkat.
ellipsoid = fit["ParameterConfidenceRegion", ConfidenceLevel -> 0.95];
fit["ParameterConfidenceIntervalTable", ConfidenceLevel -> 0.95]
Penting untuk merencanakan data dan solusinya:
Graphics[{Opacity[0.2], EdgeForm[Opacity[0.75]], White, Disk[Most[#], Last[#]] & /@ data,
Opacity[1], Red, ellipsoid,
PointSize[0.0125], Blue, Point[source], Red, Point[solution],
PointSize[0.0083], White, Point @ points},
Background -> Black, ImageSize -> 600]
Titik putih adalah lokasi titik akses (dikenal).
Titik biru besar adalah lokasi perangkat yang sebenarnya.
Lingkaran abu-abu mewakili jari-jari yang diukur. Idealnya, mereka semua akan berpotongan di lokasi perangkat yang sebenarnya - tetapi jelas tidak, karena kesalahan pengukuran.
Titik merah besar adalah perkiraan lokasi perangkat.
Elips merah membatasi wilayah kepercayaan 95% untuk lokasi perangkat.
Bentuk elips dalam kasus ini menarik: ketidakpastian lokasi terbesar di sepanjang garis NW-SE. Di sini, jarak ke tiga titik akses (ke NE dan SW) nyaris tidak berubah dan ada trade-off dalam kesalahan antara jarak ke dua titik akses lainnya (ke utara dan tenggara).
(Wilayah kepercayaan yang lebih akurat dapat diperoleh dalam beberapa sistem sebagai kontur fungsi kemungkinan; elips ini hanyalah perkiraan orde kedua dari kontur semacam itu.)
Ketika jari-jari diukur tanpa kesalahan, semua lingkaran akan memiliki setidaknya satu titik persimpangan satu sama lain dan - jika titik itu unik - itu akan menjadi solusi unik.
Metode ini berfungsi dengan dua atau lebih titik akses. Tiga atau lebih diperlukan untuk mendapatkan interval kepercayaan. Ketika hanya dua yang tersedia, ia menemukan salah satu titik persimpangan (jika ada); jika tidak, ia akan memilih lokasi yang sesuai antara dua titik akses.