20160411 基于改进WKNN 的位置指纹室内定位算法

一种改进的室内指纹定位算法

王维博;孙敬欢;董蕊莹;曾文入;张斌;郑永康

【期刊名称】《西华大学学报（自然科学版）》

【年(卷),期】2018(037)002

【摘要】针对指纹定位算法在建立离线指纹库时需要部署较多参考节点(RP)的问题,提出一种分区拟合近似算法(PFAM).为减少指纹定位算法在离线阶段的工作量,对整个目标环境进行分区,并在每个分区内重新部署虚拟RP;采用三阶多项式对数距离路径损耗模型拟合得到每个分区的环境系数,并建立每个分区的误差向量;利用拟合模型和误差向量逆推得到虚拟RP的信号强度,并采用C均值聚类算法对离线指纹库聚类来减少在线阶段的计算量;在在线阶段采用加权K近邻算法(WKNN)对目标进行定位.实验结果表明,在RP部署较少的条件下,PFAM算法依然能达到较高的定位精度,平均定位误差约为1.2 m.累积分布函数(CDF)分析结果表明,有86%的定位误差分布在2 m以内.%Aiming at the problem that the fingerprint

localization algorithm needs to deploy more reference points (RP) when

the offline fingerprint databaseis being constructed, a partition fitting

approximation method (PFAM) is proposed.To reduce the workload of the

fingerprint localization algorithm in the offline phase, firstly, the whole

target environment is partitioned and the virtual RP is redeployed in each

基于改进型KNN算法和Android平台的室内定位技术研究

2018年 / 第3期物联网技术

全面感知 Comprehensive Perception

210 引言

伴随着互联网应用的快速发展，人们在室内停留的时间

越来越多，室内位置信息对人们的日常生活愈加重要，因此

人们对室内定位有着愈发强烈的需求[1-3]。由于利用GPS和

AGPS这两种定位方式进行室内定位时，信号会受到各种障碍

物的遮挡[4]，因此亟待出现新型的室内定位方式。

随着无线局域网络（Wireless Local Area Networks，

WLAN）遍布各地，智能手机和平板电脑等个人电子设备发展

迅速，这些设备几乎都使用WiFi连接网络，用户可使用WiFi

进行定位[5-7]。iOS，Android和WP是目前三大主流移动操作

系统。其中，Android系统所占的市场份额日益增大，因此完

全可以选择Android系统作为载体，设计基于WiFi的室内定

位系统[8-11]。本文基于Android平台设计了一种基于改进的位

置指纹算法，首先收集采样点的信号强度值信息，并将其保存

到数据库中，然后将定位时的数据和数据库相互对比进行估

算，得到所要定位的坐标信息。

1 基于WiFi的室内定位技术简介

虽然目前实现WiFi室内定位的方法有很多，但主要使用

基于测距的定位方法。其中基于RSSI的定位方法最受关注[12-16]。

基于RSSI的定位算法流程如图1所示。

图1 基于RSSI定位算法流程2 传统位置指纹定位技术

目前，在研究基于WiFi的室内定位时，位置指纹定位技

术使用较多[17-21]，受到了广泛关注。2.1 技术原理

基于位置指纹定位算法的原理图如图2所示。

图2 指纹定位算法原理从图2可以看出，位置指纹定位算法主要包括离线工作

阶段和在线工作阶段。离线阶段即数据收集阶段，首先选择

一个区域，从中选取多个采样点，然后收集这些点WiFi信号

的强度值RSSI，并将其作为位置指纹保存到指纹数据库中。

在这个指纹数据库中，每个指纹都由一组RSSI值组成，且对

基于改进型KNN算法和Android平台的室内定位技术研究 2

龙源期刊网

基于改进型KNN算法和Android平台的室内定位技术研究

作者：李昂肖甫李雷

来源：《物联网技术》2018年第03期

摘要：通过分析基于WiFi定位的传统位置指纹算法的不足之处，文中提出了一种旨在提高精度并减小计算复杂度的改进型KNN算法。通过Android平台对该算法进行实现和测试，分析比较K的取值、AP的位置及数量等因素对定位精度的影响。测试结果表明，该算法不但能够保证位置指纹室内定位的精度，还能有效减小计算复杂度，具有一定的可行性。

关键词：精度；计算复杂度；改进型KNN算法；Android平台

中图分类号：TP301；TN92 文献标识码：A 文章编号：2095-1302（2018）03-00-05

0 引言

伴随着互联网应用的快速发展，人们在室内停留的时间越来越多，室内位置信息对人们的日常生活愈加重要，因此人们对室内定位有着愈发强烈的需求[1-3]。由于利用GPS和AGPS这两种定位方式进行室内定位时，信号会受到各种障碍物的遮挡[4]，因此亟待出现新型的室内定位方式。

随着无线局域网络（Wireless Local Area Networks，WLAN）遍布各地，智能手机和平板电脑等个人电子设备发展迅速，这些设备几乎都使用WiFi连接网络，用户可使用WiFi进行定位[5-7]。iOS，Android和WP是目前三大主流移动操作系统。其中，Android系统所占的市场份额日益增大，因此完全可以选择Android系统作为载体，设计基于WiFi的室内定位系统[8-11]。本文基于Android平台设计了一种基于改进的位置指纹算法，首先收集采样点的信号强度值信息，并将其保存到数据库中，然后将定位时的数据和数据库相互对比进行估算，得到所要定位的坐标信息。

1 基于WiFi的室内定位技术简介

一种基于iBeacon改进型KNN位置指纹室内定位算法

龙源期刊网

一种基于iBeacon改进型KNN位置指纹室内定位算法

作者：韩非千博

来源：《无线互联科技》2018年第06期

摘要：iBeacon有着体积小、功耗低、覆盖范围广等特点，因此其在室内定位领域有着非常明显的优势。文章提出了一种基于iBeacon的以定位点RSSI与参考点RSSI的欧氏距离倒数的归一化值作为权值的改进型KNN算法，同时提出了一种空间滤波算法，提升了算法效率。仿真实验结果表明，文章提出的改进型KNN算法在定位精度上相比原KNN算法提升了43.6%。此外，文章提出的空间滤波算法提高算法的运算速度约34%，使得在保证定位精度的同时，保证了定位的实时性。

关键词：iBeacon；室内定位；K近邻算法；位置指纹

室内定位技术被称为定位领域的“最后一公里”问题，有着非常广泛的应用前景，高精度的室内定位技术成为了近年来的热点问题。蓝牙是一种短距离的无线通信技术，利用短距离、低成本的无线连接替代电缆连接，从而为现存的数据网络和小型的外围设备接口提供统一的连接[1]。目前，蓝牙技术已经在日常生活中随处可见了，已经被广泛应用到了手机、平板电脑、笔记本电脑、蓝牙耳机等各种终端上。本文采用了使用蓝牙4.0规范的iBeacon作为定位的节点。iBeacon有着体积小、功耗低、覆盖范围广等特点，因此，其在室内定位领域有着非常明显的优势。

自从蓝牙标准规范颁布以来，利用蓝牙技术实现室内定位的研究一直都在进行，并且提出了很多基于蓝牙的定位方法，比较典型的有基于路径损耗模型的方法[2]、基于Cell-ID的方法[3]和基于指纹标定的方法[4]等。基于蓝牙的典型室内定位算法对比如表1所示。

以上3种基于蓝牙的典型室内算法的定位精度还不足以满足室内环境下基于位置服务的各种需求。本文针对基于指纹标定方法中常用的KNN算法进行了改进，提出了一种W-KNN算法。在最终确定定位点位置时，使用定位点RSSI与参考点RSSI的欧氏距离倒数的归一化值作为权值。仿真实验结果表明，与传统基于邻近算法（ K-Nearest Neighbor，KNN）的指纹标定室内定位算法相比，定位精度提升了37. 6%。同时，本文还提出了一种空间过滤的算法，将与定位点信号强度差距较大的参考节点进行滤除，将本文提出的W-KNN计算速度提升了34.5%。

基于WIFI位置指纹算法室内定位技术研究

一、引言

随着移动互联网的迅速发展，人们对室内定位技术的需求日益增长。传统的GPS定位在室内环境下受限，无法满足需求。因此，研究室内定位技术成为了一个重要的研究领域。WIFI位置指纹算法是一种常用的室内定位技术，本文旨在对该算法进行研究和分析。

二、WIFI位置指纹算法原理

WIFI位置指纹算法基于WIFI信号的强度来进行室内定位。该算法通过构建室内热点图，收集不同位置的WIFI信号强度数据，并存储在位置指纹数据库中。当需要进行室内定位时，利用当前位置处的WIFI信号强度与数据库中存储的位置指纹进行匹配，从而确定当前位置。

三、WIFI信号强度测量

WIFI信号强度是WIFI位置指纹算法的核心数据。在进行WIFI信号强度测量时，需要注意以下几点：

1. 选择合适的WIFI设备：不同的WIFI设备可能对信号强度的测量有差异，因此应该选择适合室内定位的WIFI设备。

2. 室内环境对信号的影响：室内环境的墙壁、家具等物体会对WIFI信号造成遮挡和干扰，从而影响信号强度的测量。因此，在进行信号强度测量时，应考虑并排除这些影响因素。

3. 采样间隔和数据量：在采集WIFI信号强度数据时，需要确定采样的间隔和采样的数据量。间隔过长会导致信号强度的变化被忽略，间隔过短会增加数据量和复杂度。

四、位置指纹数据库构建位置指纹数据库是WIFI位置指纹算法的核心组成部分。在构建位置指纹数据库时，需要进行以下步骤：

1. 地图建模：首先需要在室内建立一个准确、精细的地图模型。这可以通过一些工具如CAD软件、激光测距仪等来实现。

2. 采集数据集：在不同位置采集WIFI信号强度数据集，这些数据集包括当前位置的WIFI信号强度和对应的位置信息。

基于位置指纹的wifi室内定位算法研究与系统设计

I 摘要

随着基于位置服务（Location Based Services，LBS）的不断发展，室内定位技术已

成为一个热门研究领域。由于WiFi技术具有传输速率快和基础设施完整等优点，基于

WiFi的定位技术已成为主流的室内定位技术。其中，基于位置指纹的WiFi室内定位技

术是当前的研究热点之一。

首先，为提高传统K近邻定位算法（K-Nearest Neighbor，简称KNN）的定位精度

和定位效率，本文提出了一种基于决策树（Decision Tree，简称DT）的快速KNN定位

算法，并添加了属性划分准则优化和PEP（Pessimistic Error Pruning）剪枝，得到C-DKNN

（Correct-Decision Treeof KNN）算法。本文通过实验仿真对比了KNN和C-DKNN算法

在测试集上的定位精度和定位效率。实验结果表明，本文提出的C-DKNN算法相比KNN

算法定位精度提高14.39%，定位效率提高38.47%。

其次，为了解决C-DKNN算法存在的过拟合问题和进一步提高C-DKNN算法的定

位精度，本文提出了一种基于随机森林（Random Forest，简称RF）的快速KNN定位算

法，同时添加了投票权重优化和投票平局朴素贝叶斯优化，得到C-RKNN

（Correct-Random Forest of KNN）算法。本文在测试集上对C-RKNN，C-DKNN和KNN

算法定位效果进行了仿真对比。实验结果表明，本文提出的C-RKNN算法相比KNN和

C-DKNN算法定位精度分别提高24.35%和11.64%，定位效率相比KNN算法提高了

16.15%。

最后，针对C-DKNN算法具有更高定位效率和C-RKNN算法具有更高定位精度的

特点，本文设计了一套基于C-DKNN和C-RKNN的室内定位系统，该系统可实现根据

用户不同定位需求进行定位算法自由切换的功能。本文对该系统进行了功能测试和定位

性能测试。测试结果表明，基于C-DKNN和C-RKNN的室内定位系统在平均定位时间

一种基于位置指纹的室内WLAN定位方法

张维;李文涛

【期刊名称】《信息技术》

【年(卷),期】2013(000)007

【摘要】针对室内信号时变性导致定位不准的问题,提出了一种改进的3阶段位置指纹定位法.采样阶段,将采集信号的坐标、方位、接收信号强度的高斯分布及其对应的无线接入点等信息存储在数据库中生成位置指纹；在校正阶段中,利用参考点间信号强度的关联性信息,使用局部加权线性回归法,计算出一些虚拟点的信号强度；最后是线上实时定位阶段.通过与传统的加权K最邻近算法、直方图和联合聚类等3种定位方法相比较,该算法在同样的场景下可以取得更好的定位精度.%A 3-step

location fingerprint (LF) method for the inaccuracy problem caused by the

timevarying characteristic of signal in indoor wireless local area networks

(WLAN) is proposed.Sampling step,during which a radio map is

built:storing calibration points (CPs) in a database,defined by their

coordinates,orientation and set of RSS Gauss distributions linked to the

source access points (APs) ; in the second step,an augmented radio map is

created using locally weighted linear regression by leveraging RSS

relations from nearby CP neighbors; the last step is the positioning process

knn指纹定位计算公式

KNN指纹定位计算公式

指纹定位是一种室内定位技术，通过收集和分析Wi-Fi信号强度指纹地图来确定移动设备的位置。其中，KNN（K-Nearest Neighbors）是一种常用的分类算法，可以用于指纹定位中的位置推断。在KNN指纹定位计算公式中，我们可以通过以下步骤来实现室内定位。

1. 数据采集

我们需要在室内环境中收集Wi-Fi信号强度数据。这可以通过在建筑物内部的各个位置放置无线接入点（AP）来完成。然后，我们将移动设备带到每个位置，并记录下Wi-Fi信号强度值。这些数据将被用作训练数据集。

2. 特征提取

在数据采集后，我们需要从原始数据中提取有用的特征。在指纹定位中，最常用的特征是Wi-Fi信号的强度值。我们可以将每个位置的Wi-Fi信号强度值作为特征向量表示。

3. 数据预处理

在应用KNN算法之前，我们需要对数据进行预处理。这通常包括数据归一化、数据清洗和特征选择。数据归一化可以将不同特征的值缩放到相同的范围，以避免某些特征对算法结果的影响过大。数据清洗则是对数据进行去噪处理，去除异常值和无效数据。特征选择可以从提取的特征中选择最相关的特征，以提高算法的准确性和效率。

4. KNN算法

KNN算法基于样本之间的相似度进行分类。在指纹定位中，我们可以将每个位置的特征向量看作一个样本。给定一个未知位置的特征向量，我们可以计算它与训练数据集中各个位置的特征向量之间的距离。常见的距离度量方法包括欧氏距离、曼哈顿距离和余弦相似度。然后，我们选择距离最近的K个样本，并根据这K个样本的标签进行投票。最终，未知位置将被归类为票数最多的标签所对应的位置。

5. 参数选择

在应用KNN算法时，我们需要选择合适的K值和距离度量方法。K值的选择应该考虑到数据集的大小和复杂度，一般来说，较小的K值会使算法更加敏感，而较大的K值会使算法更加稳定。距离度量方法的选择应该根据实际问题来定，不同的度量方法可能适用于不同的数据集。

基于Wi-Fi室内定位的位置指纹算法

７２　基于Ｗｉ—Ｆｊ室内定位的位置指纹算法　

基于Ｗｉ—Ｆｉ室内定位的位置指纹算法　

Ｌｏｃａｔｉｏｎ　Ｆｉｎｇｅｒｐｒｉｎｔ　Ａｌｇｏｒｉｔｈｍ　Ｂａｓｅｄ　ｏｎ　Ｗｉ－Ｆｉ　Ｉｎｄｏｏｒ　Ｐｏｓｉｔｉｏｎｉｎｇ　

董艳侠　张红英　陈　姣（西南科技大学，四川绵阳６２１０１０）　

摘要　随着Ｗｉ—Ｆｉ网络室内覆盖率的增加，人们对位置服务的需求也不断增加。利用现有的Ｗｉ—Ｆｉ网络进行室内定位，先分　析了ＮＮ算法存在的不足，并提出了一种ＷＮＮ位置指纹定位算法。整个定位过程分为数据采集、数据处理即奇异值处理和　

滑模滤波处理、实时定位即用ＷＮＮ法对处理后的离线数据和实时数据进行对比、匹配，最接近的那组数据对应的区域号为　定位结果。对几种信号处理方法进行了比较，得出滑模滤波的效果最优。实验表明，修正后的定位算法的定位准确率明显提　

高，达到了９０％以上。　

关键词：Ｗｉ—Ｆｉ网络，室内定位，位置指纹　Ａｂｓｔｒａｃｔ　Ｔｈｉｓ　ｐａｐｅｒ　ｕｓｅｓ　ｔｈｅ　ｅｘｉｓｔｉｎｇ　Ｗｉ—Ｆｉ　ｎｅｔｗｏｒｋ　ｆｏｒｉｎｄｏｏｒ　ｐｏｓｉｔｉｏｎｉｎｇ　ａｎｄ　ａｎａｌｙｚｅｓ　ｔｈｅ　ｄｅｆｉｃｉｅｎｃｙ　ｉｎ　ＮＮ　ａｌｇｏｒｉｔｈｍ　ａｎｄ　ｔｈｅｎ　ｐｒｏｐｏｓｅｄ　ａ　ｋｉｎｄ　ｏｆ　ＷＮＮ　ｐｏｓｉｔｉｏｎ　ｆｉｎｇｅｒｐｒｉｎｔ　ｌｏｃａｌｉｚａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　Ｔｈｅ　ｗｈｏｌｅ　ｐｏｓｉｔｉｏｎｉｎｇ　ｐｒｏｃｅｓｓ　ｉｓ　ｄｉｖｉｄｅｄ　ｉｎｔｏ　ｄａｔａ　ａｃｑｕｉ—　ｓｉｔｉｏｎ，ｄａｔａ　ｐｒｏｃｅｓｓｉｎｇ　ｉｓ　ｓｉｎｇｕｌａｒ　ｖａｌｕｅ　ｐｒｏｃｅｓｓｉｎｇ　ａｎｄ　ｓｌｉｄｉｎｇ　ｆｉｌｔｅｒ　ｐｒｏｃｅｓｓｉｎｇ　ｆｏｒ　ｔｈｅ　ｃｏｌｌｅｃｔｅｄ　ｄａｔａ，ｒｅａｌ—ｔｉｍｅ　ｌｏｃａｔｉｏｎ　ｗｅ　ｕｓｅ　ｔｈｅ　ｍｅｔｈｏｄ　ｏｆ　ｗｅｉｇｈｔｅｄ　ｎｅａｒｅｓｔ　ｎｅｉｇｈｂｏｒ　ｔｏ　ｍａｋｅ　ａ　ｃｏｍｐａｒｉｓｏｎ　ａｎｄ　ｍａｔｃｈ　ｂｅｔｗｅｅｎ　ｔｈｅ　ｒｅａｌ－ｔｉｍｅ　ｄａｔａ　ａｎｄ　ｏｆｆｌｉｎｅ　

《基于改进K-means聚类和WKNN算法的WiFi室内定位方法研究》范文

《基于改进K-means聚类和WKNN算法的WiFi室内定位方法研究》篇一

一、引言

随着无线通信技术的快速发展，室内定位技术在诸多领域如智能建筑、物流管理、智慧城市等扮演着日益重要的角色。其中，WiFi因其覆盖面广、布网方便和低成本等优势，已成为室内定位的主流技术之一。然而，传统的WiFi室内定位方法在面对复杂多变的室内环境时，仍存在定位精度不高、稳定性差等问题。因此，本文提出了一种基于改进K-means聚类和WKNN（加权k近邻）算法的WiFi室内定位方法，旨在提高定位精度和稳定性。

二、K-means聚类算法的改进

K-means聚类算法是一种常用的无监督学习方法，通过迭代优化将数据划分为K个聚类，使得每个聚类内部的样本具有较高的相似性。在WiFi室内定位中，我们可以将WiFi信号强度作为数据特征，利用K-means算法对不同位置点的WiFi信号强度进行聚类。

然而，传统的K-means算法在处理大规模数据时存在计算复杂度高、易陷入局部最优等问题。因此，本文提出了一种改进的K-means算法。该算法通过引入密度峰值检测技术，能够在迭代过程中自动识别并剔除噪声数据和异常值，从而提高聚类的准确性和稳定性。此外，我们还采用了一种基于质心的初始化方法，以减少算法陷入局部最优的可能性。

三、WKNN算法的引入

WKNN算法是一种基于距离度量的分类与回归方法，通过计算待测样本与已知样本之间的距离，并赋予不同的权重，以实现对未知样本的分类或预测。在WiFi室内定位中，我们可以将WKNN算法应用于计算用户设备（UE）与各个接入点（AP）之间的距离，进而确定UE的位置。

相比传统的KNN算法，WKNN算法通过引入权重因子，能够更好地处理不同特征之间的差异性，提高定位精度。此外，WKNN算法还可以通过调整权重的计算方式，灵活地适应不同的应用场景和需求。

四、基于改进K-means和WKNN的WiFi室内定位方法