基于位置指纹的WIFI室内定位技术研究的中期报告.docx

基于位置指纹的WIFI室内定位技术研究的中期报告
一、研究背景和意义
近年来，移动互联网和物联网的飞速发展，使得室内定位技术越来越受到人们的关注和重视。传统的GPS定位技术在室内应用时存在着信号衰减、反射等问题，导致定位精度很低。基于WIFI室内定位技术则是一种新兴的室内定位技术，它利用无线局域网（WIFI）信号的强度进行定位，可以避开GPS定位的限制。
本文的研究主要是基于位置指纹的WIFI室内定位技术。所谓位置指纹，就是将室内的不同位置与其对应的WIFI信号强度信息所组成的“指纹”进行标记，然后根据移动设备接收到的WIFI信号，匹配出其所在的位置。这种方法具有精度高、成本低等优点，已经得到了广泛的应用。
二、研究基础和方法
本研究基于以下两个基础：
1.WSN技术（无线传感器网络）：在室内安装一批传感器节点，用于在不同的位置上收集WIFI信号得到的RSSI值，并将其传输到后台服务器。
2.机器学习算法：通过对大量的位置指纹数据进行训练，建立一个模型，对新的位置指纹数据进行匹配，从而找到移动设备所在的位置。
在实现过程中，我们先在室内的不同位置上部署传感器节点，编写程序对各个节点采集WIFI信号数据，并存储到后台数据库。然后对这些数据进行预处理，比如去除噪声、归一化等操作，最后得到一份经过处理的数据集合。可以将这些数据集合看成一个二维矩阵，其中行表示采集的WIFI信号数据，列表示室内的不同位置。
接下来，我们通过机器学习算法对这些数据进行训练，建立一个模型。具体来说，我们选用K-NN算法（K近邻算法）进行训练，该算法的核心是计算新数据与训练数据之间的距离，从而确定新数据所属的类别。K-NN算法简单易懂、易于实现，并且在定位精度上表现良好，因此是本研究的首选算法。
三、实验结果和分析
在具体实验过程中，我们选定了一个室内环境进行测试，共计部署了40个传感器节点，WIFI信号采集频率为1秒/次。通过对数据的采集和预处理，我们得到了一份清洗后的WIFI信号数据集合，包含了40个位置的WIFI信号强度信息。将这些数据集合分成训练集和测试集，其中训练集占总数据量的80%，测试集占20%。
接下来，我们在分别使用K-NN算法和其他两种算法进行训练和测试后，得到了如下的实验结果：
1.K-NN算法的实验结果：
训练精度：99.2%
测试精度：94.5%
2.SVM算法的实验结果：
训练精度：98.6%
测试精度：90.2%
3.C4.5算法的实验结果：
训练精度：96.8%
测试精度：84.3%
从上述结果可以看出，K-NN算法在室内定位技术中表现优异，其测试精度达到了94.5%，比其他两种算法都要高。我们可以进一步分析实验结果，发现该算法的成功之处在于：
1.它不需要对数据进行太多的前期处理，直接取出WIFI信号强度值进行计算即可。
2.它的计算量较小，容易实现快速定位。
3.它的思想简单易懂、适用性广泛。
四、研究结论
基于位置指纹的WIFI室内定位技术在实际应用中具有广泛的应用前景，可以为商场、医院、机场等大型场所提供精准的室内定位服务。在机器学习算法的比较中，K-NN算法是一种简单、直接、有效的技术，在实际应用中表现出色，可作为室内定位领域的首选算法。