Задача отлова часто посещаемых мест клиентами, на поэтажном плане здания

В чём вопрос-то? Триангуляцию хочешь сделать?

принудительно чиповать негодяев

https://en.wikipedia.org/wiki/Cluster_analysis
UPGMA какая-нибудь, плюс выявить аномалии у тех, кто регистрируется на разных точках, но всегда имеет низкий сигнал и что-то сделать, например, выровнять статистику сделав из таких «погрешность».

А тебе важно просто статистику собрать (в этой комнате клиенты сидят чаще, чем в соседней) или важно именно за конкретными клиентами следить (Иванов обычно сидит на первом этаже, а Петров на втором)?

очевидно конкретные клиенты не важны, тк суть расчета скорей всего установка вендига где народу побольше

Тогда можно бфло бы просто найти самую «популярную» точку доступа и поставить где-то рядом с ней

Остается много вопросов. Вы что хотите снять статистику, а потом ее обобщить и на основании этого сделать глобальные выводы? Ну, что-то и можно обобщить, но я бы особо не обольщался.

А так, многое зависит от того какое здание, что делают клиенты и т.п. Нужна модель их поведения. По модели поведения можно уже проводить имитационные эксперименты, а дальше уже делать выводы.

WiFi может помочь построить такие модели поведения клиентов, но сам по себе вряд ли будет решающим фактором.

А так очень похоже на задачу агентного моделирования. Там же рядом дискретно-событийное моделирование

Зачем измерять, формируй! Лепишь на стены указатели «Вай-фай лучше всего ловится там!» и концентрируешь хомячков там, где нужно.

Для локализации пользователя достаточно определить его расстояние до ТД и угол, под которым на неё падает Wi-Fi-излучение от смартфона.

А если у юзверя выключено?

Да просто матрицу «точки-клиенты» в PCA засунуть, на выходе получаешь

1) карту точек доступа, это prcomp(df.wifidata, center=F)$rotation[,c(1,2)]

2) карту клиентов этих точек, это prcomp(df.wifidate, center=F)$x[,c(1,2)]

естественно для попадания на физическую карту придется прокрустом морфить пространство (на примере известных точек). ну и c(1,2) придется выбирать с умом.

PS давай данные, плати и я сделаю прототип :)

А как учитывается диаграмма направленности антенн точек доступа ? (вниз сильно меньше чем вбок)

1) Разные коэффициенты в нагрузках осей.

2) Раз карта трехмерная, в результате PCA получиться три значимых компоненты. И последующий прокруст будет морфить карту к реальному расположению точек на физическом плане (учитывая все эти неоднородности).

принудительно чиповать негодяев

Поголовное принудительное анальное зондирование!

1) Разные коэффициенты в нагрузках осей.

Извиняюсь, что-то туплю. Откуда их брать? Диаграмма диполя - бублик, (реально м.б.блин или конус у патч-антены), он м.б. случайно наклонен, усиление по осям не известно (если предварительно не обмерить).

PCA само все считает. Просто по набору силы сигнала клиентов на точках стационарных.

Классический пример — восстановление карты географической из таблицы расстояний между городами. (тут просто обобщение на 3д случай)

Ну кинь датасет если уже данные есть, на нем можно показать.

Данных нет. Соорудил генератор (в первом приближении).

// gcc -o tc tc.c -lm
#include <stdio.h>
#include <stdlib.h>
#include <math.h>

#define ND 12
double dd[ND][3] = {//координаты приемников
    {20, 10, 2}, {40, 20, 2}, {60, 10, 2}, {80, 20, 2},	//1этаж
    {20, 10, 6}, {40, 20, 6}, {60, 10, 6}, {80, 20, 6},	//2этаж
    {20, 10, 10}, {40, 20, 10}, {60, 10, 10}, {80, 20, 10},	//3этаж
};
#define NT 240
double tt[NT][3];//координаты точек задержки
int tt_init()
{
    int i;
    for (i = 0; i < NT; i++) {
        tt[i][0] = 2.5 + 5 * (i % 20);
        tt[i][1] = 3.0 + 6 * ((i / 20) % 4);
        tt[i][2] = 1.2 + 4 * (i / 80);
    }
    return 0;
}
double r(double b, double e)
{
    return b + (e - b) * rand() / ((double) RAND_MAX);
}
double ean(double *d, double *s, double e)
{//мощность в приемнике
    int i;
    double x[3], m, g;
    for (i = 0; i < 3; i++)
        x[i] = d[i] - s[i];
    m = x[0] * x[0] + x[1] * x[1];
    if (m < 1.0e-7)
        return 0.0;
    g = x[2] / sqrt(m);
    g = 2.0 / sqrt(g * g + 1.0);//бублик
    return e * g / (m + x[2] * x[2]);
}
int main()
{
    int c, n, t, i, j;
    double e;

    tt_init();
    for (c = 0; c < 5555; c++) {
        n = r(1, 10);
        e = r(0.5, 1.0);
        for (i = 0; i < n; i++) {
            t = r(0, NT);
            printf("%d", c);
            for (j = 0; j < ND; j++)
                printf(",%7.5f", 100*ean(dd[j], tt[t], e));
            printf("\n");
        }
    }
    return 0;
}

Еще хочется научиться выделять кластеры точек по признаку: клиент выбирает их одновременно. Это можно ?

Задача из разряда «в здании 2^n этажей, какая кнопка лифта нажимается чаще всего». Конечно, вендинговые автоматы нужно поставить у входа.

" интенсивности пребывания клиента "
то есть ? может интенсивности сигнала в месте пребывания?

Достоверно известно, что данные по вайфаю можно переносить на реальные тушки? Или хотя бы, что все клиенты регистрируются хоть на какой-то точке?

Генераторы я сам писать могу, это пара строчек в R.

Этот способ работает на идеальных данных всегда.

Пересчет расположения точек в неком объеме в расстояния до группы случайных фиксированных точек в этом же объеме, это просто dist(). И потом prcomp() на получившуюся таблицу. В rotations и x соответственно результат для фиксированных точек опорных и просто точек клиентов.

Есть смысл испытывать только реальные данные (ну или некий симулятор распространения сигнала на плане здания), поскольку все вот эти нелинейности и т.п. мелочи.

Увы, плохо изъясняюсь на R. Понятно, что все «просто», но ничего не понятно.

Это какой то диплом как я понимаю. Если я его напишу за тебя в этом нет никакого смысла. Все ключевые слова названы, даже логика прописана расчета.

Просто читай что такое PCA, грузи модельные данные, и разбирайся в результатах.