基于Kmeans和动态WKNN的两层Wi-Fi改进定位方法

基于KNN(K Nearest Neighbor)的算法广泛应用在Wi-Fi室内定位中,但传统的KNN模式匹配阶段匹配时间消耗过长,而且采用固定的K值来搜索最邻近点存在较大的定位误差。针对这两个方面,文中提出一种基于Kmeans聚类和动态WKNN(Weighted K Nearest Neighbor)的新型两层定位算法。实验表明在时间复杂度和平均定位误差方面,文中提出的改进算法较传统的KNN,WKNN和EWKNN(Enhanced Weighted K Nearest Neighbor)均有改善。同时针对在指纹库构建阶段现实存在的暂时性"消失"现象,提出针对缺省值的最邻近插值方法,实验证明可以有效减少定位误差。

基于动态K值及AP MAC地址筛选的室内定位算法

在简单介绍动态K值加权室内定位算法(EWKNN)并分析其不足的基础上,探索研究了基于动态K值及AP MAC地址筛选的室内定位算法。该算法首先使用EWKNN方法动态选择参考点个数,并根据测试点和参考点之间AP的MAC匹配度,进一步筛选出最优的定位参考点;最后采用得到的最优参考点与测试点之间的距离进行加权定位。实验表明,相对于传统的EWKNN定位算法,提出的算法具有较高的定位精度。

基于多次约束匹配的室内定位算法

传统增强动态K加权算法(enhanced weighted K nearest neighbors,EWKNN)算法相比K加权邻近算法(weighted K nearest neighbors,WKNN)算法,虽然能有效提高定位精度,但是仍然存在定位结果在空间中跳动跨度大的问题。针对传统EWKNN算法的不足,在EWKNN算法的基础上提出了基于多次约束匹配的室内定位算法。考虑了行人前后位置的关联性,用上一步预测的位置对当前步的WiFi匹配进行多次约束,剔除匹配到的较远的参考点。实验表明,相比于传统的EWKNN算法,研究结果具有较高的定位精度。

聚类阈值结合动态K值的蓝牙室内定位算法

针对固定阈值的动态K近邻算法定位时未能有效剔除距离较远参考点的问题,该文提出了基于聚类阈值结合动态K值的算法:①在离线阶段建立聚类指纹库,并在每个聚类子块中设定聚类阈值;②在线阶段根据待测点信号确定其所处的聚类子块和对应的阈值,由信号强度的欧氏距离和聚类阈值选取K个信号距离最小的参考点;③以信号距离倒数为权重计算坐标加权平均,作为定位结果。实验分析得出,与固定阈值的动态K值算法的平均定位误差为2.64m;聚类阈值结合动态K值算法的平均定位误差为1.12m,降低了57.6%,并且点位误差在1m和2m内的可信度分别为42.3%和77.8%。聚类阈值结合动态K值算法能够较好地剔除距离较远的参考点,可以有效提高蓝牙指纹定位的精度。