物联网应用之wifi定位

在物联网技术中，室内定位是一个很热门的研究点，我们学校物联网专业还专门开了一门物联网定位课。

GPS卫星定位系统，只可以定位在地球地面上的相对位置，不可以定位室内的相对位置，定位信号到达地面时较弱，不能穿透建筑物，移动基站定位不精确，基于传感器的定位费用昂贵，而对于wifi而言，它所覆盖的区域十分广泛，像超市，机场，地铁等很多地方都有，并且我们可以连接wifi的设备也有很多，对于定位来说是十分方便的。

wifi定位主要利用各个AP(Access Point)的MAC地址+信号强度做指纹特征，仅选取信号强度大于给定阈值的AP,避免WiFi信号跳变造成的影响,用聚类算法将所有手机采集的指纹进行聚类。

原理：
1.指纹匹配方式定位算法

指纹匹配方式定位算法建立在实验数据基础上，它主要包括离线训练和在线定位两个阶段，其中离线训练阶段的任务是建立射频信号强度向量和客户端位置间的一一对应关系，形成一个指纹库(radio map)，定位阶段则使用实时采集的信号强度向量去匹配训练阶段构建的指纹库，从而获得目标的位置估计。
现有的基于射频指纹匹配定位方法主要包括确定型和概率型两种。其中确定型定位算法一般在指纹库中选择与实时采集的射频指纹距离最小的几个点的质心作为目标的位置估计。确定型定位算法的计算效率较高，但精度较低。
概率型定位算法一般采用贝叶斯估计理论，通过不同的似然函数，如基于核函数的似然函数，计算目标位置的后验概率，并取后验概率最大的位置点作为目标的最终位置估计。概率型定位算法具有较高的定位精度和定位鲁棒性，但计算量相对较大。
指纹特征采用每个AP 的RSSI 均值。

也就是，训练阶段对同一位置点采集的每个AP 的多次数据取平均，定位阶段也是如此，区别在于训练阶段采集数据多，以便得到尽量多的信息，定位阶段采集的数据少，减少定位延时，一定程度上提高了实时性。对每个扫描到的AP 的RSSI 值，设定一个选择区间[RSSI-Σ，RSSI+Σ],Σ为多次实验的经验值，在指纹库中查找满足此区间范围的位置点，若有n 个位置点落在此区间范围，则这些位置点分别取权值为1/n,其他的位置点则取权值为0;对所有AP 做如上处理后，选出权值最大的位置点为估计位置。如有多个位置点权值一样，则比较信号强度距离，取最小者。

2.KNN算法

假设一个样本空间里的样本可分成几个类型，给定一个未知类型的待分类样本。基本思路：人以类聚、物以群归待分类样本与哪一类的样本比较相近，就归属于哪一类，具体的相近比较基于最近的K个样本，归属于K个样本中的多数样本所属的类。