WLAN指纹定位中的匹配算法研究的中期报告.docx

WLAN指纹定位中的匹配算法研究的中期报告
一、研究背景
随着智能手机、平板电脑等无线设备的普及，人们越来越依赖于无线网络。无线局域网（WirelessLocalAreaNetwork，WLAN）已经成为许多公共场所的标配设备。WLAN指纹定位系统利用WLAN信号进行定位，不仅可以提高室内定位的准确度，而且成本相对较低，易于推广。
WLAN指纹定位系统的核心是指纹数据库，该数据库记录了不同位置的WLAN信号的强度值。当无线设备与WLAN基站通信时，可以通过检测信号强度值来获取无线设备当前的位置。因此，如何设计一个高效、准确的匹配算法是WLAN指纹定位系统中的关键问题。
二、研究内容
在已有的研究中，WLAN指纹定位系统的匹配算法主要有三种：
1.最近邻（NearestNeighbor，NN）算法。该算法是最简单的匹配算法，即在指纹数据库中查找离目标位置最近的WLAN指纹记录，并将其作为目标位置的估计位置。
2.加权最近邻（WeightedNearestNeighbor，WNN）算法。该算法是在最近邻算法的基础上引入加权因子，使得离目标位置更近的指纹记录权重更大。
3.K近邻（KNearestNeighbor，KNN）算法。该算法是在最近邻算法的基础上引入了K值参数，即在指纹数据库中查找与目标位置最近的K个WLAN指纹记录，并将它们的平均位置作为目标位置的估计位置。
本研究的主要内容是对上述算法进行深入探讨，特别是对加权因子和K值参数的影响进行详细分析。针对不同的数据集，对比不同算法的效果，并提出改进思路。
三、研究计划
1.文献综述和理论分析：对相关文献进行综合分析，了解已有的研究成果和存在的问题，进一步分析影响匹配算法效果的因素。
2.数据预处理：收集实际测量的WLAN信号数据并进行清洗和预处理，构建指纹数据库。
3.基于NN算法的实验：使用NN算法进行匹配实验，并对不同参数的影响进行分析。
4.基于WNN算法的实验：使用WNN算法进行匹配实验，并通过实验结果对加权因子进行优化。
5.基于KNN算法的实验：使用KNN算法进行匹配实验，并通过实验结果对K值进行优化。
6.算法综合分析和改进：对比不同算法的效果，并结合实验结果提出算法改进思路。
7.实验结果分析和总结：对实验结果进行统计和分析，总结研究成果并展望未来的研究方向。
四、预期成果
1.对比不同的匹配算法，分析不同参数的影响及其优化方法。
2.在WLAN指纹定位系统中，设计出可行的匹配算法，提高室内定位的准确度。
3.为WLAN指纹定位系统的推广和应用提供参考依据。