1.一种基于KD树和改进加权KNN的室内指纹定位方法,其特征在于,包括步骤:
1.1构建RSS指纹数据库;
1.2采集不同位置的RSS序列,并对所述采集到的RSS序列进行均值平滑滤波处理,得到滤波后的RSS指纹信息;
1.3基于所述RSS指纹数据库构建KD树存储结构,将得到的滤波后的RSS指纹信息输入KD树存储结构进行处理,得到K个近邻点的RSS指纹特征;
1.4计算K个近邻点的RSS指纹特征与滤波后的RSS指纹信息的余弦相似度,得到K个近邻点的RSS指纹特征与滤波后的RSS指纹信息的余弦相似度的系数;
1.5将得到的余弦相似度系数输入softmax加权KNN算法中进行处理,输出概率相似度作为加权KNN算法的权重,并计算得到最终定位结果。
2.根据权利要求1所述的一种基于KD树和改进加权KNN的室内指纹定位方法,其特征在于,所述步骤1.1具体包括:
1.11采集定位目标区域的RSS样本值以及与RSS样本值相对应的坐标,根据采集的RSS样本值与相对应的坐标得到RSS指纹样本信息;
1.12对得到的RSS指纹样本信息进行均值平滑的预处理,得到均值滤波处理过后的RSS指纹数据库。
3.根据权利要求2所述的一种基于KD树和改进加权KNN的室内指纹定位方法,其特征在于,所述步骤1.11具体为在定位目标区域选取n个AP数目,将目标区域网格化,采集网格化后的网格交叉点处各点的RSS样本值与各点的坐标,得到RSS指纹样本信息,表示为:RSSi=(rssi1,rssi2,…,rssin)
其中,RSSi表示任意一个参考点所采集的RSS指纹样本信息;i表示参考点;rssi×n表示第n个AP接收到的第i个参考点的信号强度值。
4.根据权利要求3所述的一种基于KD树和改进加权KNN的室内指纹定位方法,其特征在于,所述步骤1.12中得到均值滤波处理过后的RSS指纹数据库,表示为:其中,RSS′库表示RSS指纹数据库;rss′i×n表示滤波处理后的指纹特征值。
5.根据权利要求3所述的一种基于KD树和改进加权KNN的室内指纹定位方法,其特征在于,所述步骤1.2中得到滤波后的RSS指纹信息,表示为:其中,RSS″表示RSS指纹信息;rss″m×n表示滤波处理后的指纹特征值。
6.根据权利要求5所述的一种基于KD树和改进加权KNN的室内指纹定位方法,其特征在于,所述步骤1.3中得到K个近邻点的RSS指纹特征,表示为:其中, 表示K个近邻点的RSS指纹特征。
7.根据权利要求6所述的一种基于KD树和改进加权KNN的室内指纹定位方法,其特征在于,所述步骤1.3中将滤波后的RSS指纹信息输入KD树存储结构进行处理具体为:A1.对每个输入的RSS指纹信息利用KD树存储结构搜索K个距离最近的近邻点,得到每个RSS指纹信息升序排列的K个距离序列,表示为:d=[d1,d2,…,dK]
A2.计算RSS指纹信息与参考点i的信号强度,表示为:其中,di表示RSS指纹信息与参考点i的信号强度。
8.根据权利要求7所述的一种基于KD树和改进加权KNN的室内指纹定位方法,其特征在于,所述步骤1.3中还包括:计算K个近邻点所对应的坐标信息,表示为:
其中,表示K个近邻点所对应的坐标信息。
9.根据权利要求8所述的一种基于KD树和改进加权KNN的室内指纹定位方法,其特征在于,所述步骤1.4中得到K个近邻点的RSS指纹特征与滤波后的RSS指纹信息的余弦相似度的系数,表示为:其中,R表示余弦相似度的系数;RSS″表示RSS指纹信息; 表示K个近邻点的RSS指纹特征。
10.根据权利要求9所述的一种基于KD树和改进加权KNN的室内指纹定位方法,其特征在于,所述步骤1.5中输出概率相似度作为加权KNN算法的权重,表示为:其中,Si表示第i个指纹特征输出的权重;Ri表示第i个指纹特征与参考点之间的余弦相似度系数;
将得到的权重和坐标信息采用softmax加权KNN算法进行计算得到最终定位结果,表示为:其中,(xi,yi)表示K个近邻内第i组参考点的坐标信息;(x′,y′)表示softmax加权KNN最终定位结果。