基于卡方距離改進的WLAN位置指紋定位算法研究.pdf

1、近年來，室內定位技術在現(xiàn)代社會中扮演了越來越重要的角色。一般來說，室內定位方法包括參數化定位方法和非參數化定位方法。在這些方法中，非參數化定位方法中的位置指紋定位法被廣泛的研究和應用。位置指紋定位法包括離線訓練和在線定位兩個階段:在離線訓練階段，將每一個參考點（Reference Point，RP）處采集來自各接入點(Access Point，AP)的一組信號強度值作為一條位置指紋信息存入數據庫;在在線定位階段，利用模式匹配算法對用戶移

2、動終端實時采集的位置指紋信息和數據庫中的位置指紋信息進行比較來獲得用戶的實際物理坐標。本文將研究焦點聚焦于無線局域網WLAN環(huán)境下的基于信號強度的位置指紋定位算法，著重在參考點聚類及AP加權兩個方面進行深入研究。
　　本文分析當前應用廣泛的K-means參考點聚類算法，針對該法對噪聲數據和孤立點數據非常敏感等缺點，提出利用快速K-medoids聚類算法來對定位區(qū)域內的參考點進行聚類。在離線訓練階段，快速K-medoids參考點聚類

3、算法先選取初始類中心參考點，再通過迭代方式在每一類中選取與其它位置指紋信息距離之和最小的那條位置指紋信息對應的參考點作為類中心參考點。相比K-means參考點聚類算法，快速K-medoids參考點聚類算法在去除噪聲數據和孤立點數據上具有更好的魯棒性。
　　在位置指紋定位技術中，加權K近鄰法是一種經典的模式匹配算法，其使用歐式距離作為算法中的距離度量函數，歐式距離將各AP賦予相同的權重，但是在實際定位過程中不同AP對定位精度的影響是

4、不同的。針對這個問題，本文提出利用更能體現(xiàn)特征向量之間相對關系的卡方距離作為位置指紋定位算法中的距離度量函數，并利用靈敏度法對各AP的權重進行計算，然后利用加權后的卡方距離進行用戶定位的方法，即基于卡方距離改進的加權K近鄰定位算法，該法可以有效降低環(huán)境噪聲對定位精度的影響。此外，本文還將該法和快速K-medoids參考點聚類算法相結合形成一套完整的算法，即基于卡方距離改進的位置指紋定位算法。
　　通過實驗數據分析證明，與經典的加權