本申請涉及定位技術(shù)領域，更具體地說，涉及一種室內(nèi)定位方法和系統(tǒng)。

背景技術(shù)：

隨著大量室內(nèi)基礎設施的建設，目前國內(nèi)有室內(nèi)停車場、民用機場、醫(yī)院等一系列的大型室內(nèi)場所，這使得人們在室內(nèi)安全，位置服務等方面的需求不斷增加，室內(nèi)定位技術(shù)成為各國研究學者的研究熱點。

目前，指紋定位算法成為室內(nèi)定位的主要定位技術(shù)，包括kNN(k-Nearest Neighbor，K最近鄰)鄰近算法和K加權(quán)近鄰法。指紋定位法先建立指紋數(shù)據(jù)庫，然后對指紋數(shù)據(jù)庫進行匹配。指紋庫的建立是采集定位環(huán)境中各個參考點的特征值從而建立位置坐標與特征值的映射關系，匹配階段就是將測得的目標特征值與數(shù)據(jù)庫中參考點的特征值進行匹配，從而確定定位目標的坐標位置。

然而，目前的方法都是通過對整個指紋庫的指紋采用網(wǎng)格搜索方法進行匹配定位，這種方法定位的效率低，此外，由于其計算量與指紋點數(shù)成指數(shù)增長，因此，在大型定位場所進行定位時，需要測量大量的指紋數(shù)據(jù)，因此會由于計算量過大而導致無法及時準確地進行定位問題的發(fā)生。

技術(shù)實現(xiàn)要素：

有鑒于此，本申請?zhí)峁┝艘环N室內(nèi)定位方法和系統(tǒng)，以克服現(xiàn)有技術(shù)中進行室內(nèi)定位時定位效率低，以及在大型定位場所定位時由于計算量太大導致的無法及時準確進行定位的問題。

為實現(xiàn)上述目的，本申請?zhí)峁┝艘韵录夹g(shù)方案；

一種室內(nèi)定位方法，包括：

獲取待定位點的目標點特征值；

計算所述目標點特征值到各個聚類中心的距離，以確定所述待定位點所在的聚類；其中，所述聚類中心為所述待定位點對應的定位區(qū)域經(jīng)過預先優(yōu)化劃分得到的各個聚類的中心；

將所述目標點特征值與所述待定位點所在的聚類中的指紋點特征值進行匹配，以確定所述待定位點的位置。

優(yōu)選的，所述計算所述目標點特征值到各個聚類中心的距離，以確定所述待定位點所在的聚類包括：

計算所述目標點特征值到各個聚類中心的歐式距離，選取所述歐式距離中最小的值對應的聚類中心所在聚類為所述待定位點所在的聚類。

優(yōu)選的，所述將所述目標點特征值與所述待定位點所在的聚類中的指紋點特征值進行匹配，以確定所述待定位點的位置包括：

根據(jù)KNN算法利用所述目標點特征值和所述指紋點特征值進行計算，獲取所述待定位點所在的聚類中距離所述待定位點最近的多個指紋點；

通過聚類方法去除所述多個指紋點中的奇異點；

計算去除奇異點后的最近鄰點的均值作為目標坐標點并輸出。

優(yōu)選的，所述定位區(qū)域預先優(yōu)化劃分得到各個聚類的方法包括：

選取所述定位區(qū)域作為指紋空間，所述定位區(qū)域內(nèi)的N個點作為N個指紋點，獲取所述N個指紋點的特征值；

將所述N個指紋點隨機劃分為M個聚類，并在各個所述聚類中隨機選取指紋點作為所述聚類的聚類中心，其中，M和N為正整數(shù)，且N大于M；

根據(jù)劃分結(jié)果，利用設置有終止條件的目標函數(shù)計算得到各個所述聚類中的指紋點到聚類中心的距離和；

對當前的指紋聚類進行擾動，并將現(xiàn)有指紋點所在的聚類隨機分到其他聚類，重新選擇聚類的聚類中心，并計算當前各個聚類中指紋點到聚類中心的距離和；

若當前的距離和小于前一次的距離和，則接受當前劃分結(jié)果，否則利用Metropolis準則以概率判斷是否接受新解，直至當前的距離和最小且滿足所述目標函數(shù)的終止條件，以當前的劃分結(jié)果作為最優(yōu)劃分結(jié)果。

優(yōu)選的，所述利用目標函數(shù)計算得到各個所述聚類中的指紋點到聚類中心的距離和包括：

利用目標函數(shù)計算得到各個所述聚類中的指紋點到聚類中心的距離和；

其中，X為指紋點的特征值，ω為聚類劃分后的聚類中指紋點的特征值集合，為第i個聚類的聚類中心的特征值，為聚類中指紋點到聚類中心的距離，J_ω為各個聚類中指紋點到聚類中心距離的總和。

一種室內(nèi)定位系統(tǒng)，包括：

劃分單元，用于將待定位點對應的定位區(qū)域優(yōu)化劃分得到多個聚類；

獲取單元，用于獲取所述待定位點的目標點特征值；

計算單元，用于計算所述目標點特征值到各個聚類中心的距離，以確定所述待定位點所在的聚類；其中，所述聚類中心為所述聚類的中心；

匹配單元，用于將所述目標點特征值與所述待定位點所在的聚類中的指紋點特征值進行匹配，以確定所述待定位點的位置。

優(yōu)選的，所述計算單元包括：第一計算子單元和選取單元，其中，

所述第一計算子單元用于計算所述目標點特征值到各個聚類中心的歐式距離；

所述選取單元用于選取所述歐式距離中最小的值對應的聚類中心所在聚類為所述待定位點所在的聚類。

優(yōu)選的，所述匹配單元包括：第二計算子單元、去除單元和第三計算子單元，其中，

所述第二計算子單元用于根據(jù)KNN算法利用所述目標點特征值和所述指紋點特征值進行計算，獲取所述待定位點所在的聚類中距離所述待定位點最近的多個指紋點；

所述去除單元用于通過聚類方法去除所述多個指紋點中的奇異點；

所述第三計算子單元用于計算去除奇異點后的最近鄰點的均值作為目標坐標點并輸出。

優(yōu)選的，所述劃分單元包括：選取單元、劃分子單元、第四計算子單元、重新分配單元和比較單元，其中，

所述選取單元用于選取所述定位區(qū)域作為指紋空間，所述定位區(qū)域內(nèi)的N個點作為N個指紋點，獲取所述N個指紋點的特征值；

所述劃分子單元用于將所述N個指紋點隨機劃分為M個聚類，并在各個所述聚類中隨機選取指紋點作為所述聚類的聚類中心，其中，M和N為正整數(shù)，且N大于M；

所述第四計算子單元用于根據(jù)劃分結(jié)果，利用設置有終止條件的目標函數(shù)計算得到各個所述聚類中的指紋點到聚類中心的距離和；

所述重新分配單元用于對當前的指紋聚類進行擾動，并將現(xiàn)有指紋點所在的聚類隨機分到其他聚類，重新選擇聚類的聚類中心；

所述第四計算子單元還用于根據(jù)所述重新分配單元分配得到的劃分結(jié)果，計算當前各個聚類中指紋點到聚類中心的距離和；

所述比較單元用于若當前的距離和小于前一次的距離和，則接受當前劃分結(jié)果，否則利用Metropolis準則以概率判斷是否接受新解，直至當前的距離和最小且滿足所述目標函數(shù)的終止條件，以當前的劃分結(jié)果作為最優(yōu)劃分結(jié)果。

優(yōu)選的，所述第四計算子單元具體利用目標函數(shù)計算得到各個所述聚類中的指紋點到聚類中心的距離和；

其中，X為指紋點的特征值，ω為聚類劃分后的聚類中指紋點的特征值集合，為第i個聚類的聚類中心的特征值，為聚類中指紋點到聚類中心的距離，J_ω為各個聚類中指紋點到聚類中心距離的總和。

由以上技術(shù)方案可知，本申請?zhí)峁┝艘环N室內(nèi)定位方法及系統(tǒng)，該定位方法包括：獲取待定位點的目標點特征值；計算所述目標點特征值到各個聚類中心的距離，以確定所述待定位點所在的聚類；其中，所述聚類中心為所述待定位點對應的定位區(qū)域經(jīng)過預先優(yōu)化劃分得到的各個聚類的中心；將所述目標點特征值與所述待定位點所在的聚類中的指紋點特征值進行匹配，以確定所述待定位點的位置。該定位方法利用模擬退火聚類算法將定位區(qū)域劃分為多個聚類，通過首先確定待定位點所在的子空間，即所在的聚類，使得在線匹配階段計算量減小，提高了定位的速度。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本申請實施例一提供的一種室內(nèi)定位方法的流程圖；

圖2為本申請實施例二提供的一種獲取聚類的方法的流程圖；

圖3為本申請實施例三提供的一種室內(nèi)定位系統(tǒng)的結(jié)構(gòu)示意圖；

圖4為本申請實施例四提供的一種劃分單元的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

為克服現(xiàn)有技術(shù)中進行室內(nèi)定位時定位效率低，以及在大型定位場所定位時由于計算量太大導致的無法及時準確進行定位的問題，本申請?zhí)峁┝艘环N室內(nèi)定位方法和系統(tǒng)，具體方案如下所述：

實施例一

本申請實施例一提供了一種室內(nèi)定位方法，如圖1所示，圖1為本申請實施例一提供的一種室內(nèi)定位方法的流程圖。該方法包括：

S101：獲取待定位點的目標點特征值；

在本申請中，特征值具體可以為RSS(Received Signal Strength，接收信號強度)向量，首先在室內(nèi)定位區(qū)域不知足以覆蓋整個定位區(qū)域的多個AP(Access Point，接入點)，利用移動終端測量待定位點所接收的各個AP的RSS，以此作為待定位點的目標點特征值。

S102：計算目標點特征值到各個聚類中心的距離，以確定待定位點所在的聚類；

其中，聚類中心為待定位點對應的定位區(qū)域經(jīng)過預先優(yōu)化劃分得到的各個聚類的中心；

具體的，在本申請中，通過計算目標點特征值到各個聚類中心的歐式距離，然后選取歐式距離中最小的值對應的聚類中心所在的聚類作為待定位點所在的聚類。

其中，歐式距離是計算空間距離的常用方法，在本申請中不再贅述。

S103：將目標點特征值與待定位點所在的聚類中的指紋點特征值進行匹配，以確定待定位點的位置。

具體的，在確定待定位點所在的聚類后，根據(jù)KNN算法利用目標點特征值和指紋點特征值進行計算，獲取待定位點所在的聚類中距離待定位點最近的多個指紋點，通過聚類方法去除多個指紋點中的奇異點，計算去除奇異點后的最近鄰點的均值作為目標坐標點并輸出。

由以上技術(shù)方案可知，本申請實施例一提供的該室內(nèi)定位方法，利用模擬退火聚類算法將定位區(qū)域劃分為多個聚類，通過首先確定待定位點所在的子空間，即所在的聚類，使得在線匹配階段計算量減小，提高了定位的速度。此外，通過去除奇異點，還可以克服現(xiàn)有技術(shù)中難以排除奇異點對定位結(jié)果的影響，能夠快速而精確的進行定位。

實施例二

在實施例一的基礎上，本申請實施例二提供了一種更具體的進行室內(nèi)定位的方法。該方法包括如圖1所示的步驟：

S101：獲取待定位點的目標點特征值；

在本申請中，特征值具體可以為RSS(Received Signal Strength，接收信號強度)向量，首先在室內(nèi)定位區(qū)域不知足以覆蓋整個定位區(qū)域的多個AP(Access Point，接入點)，利用移動終端測量待定位點所接收的各個AP的RSS，以此作為待定位點的目標點特征值。

S102：計算目標點特征值到各個聚類中心的距離，以確定待定位點所在的聚類；

其中，聚類中心為待定位點對應的定位區(qū)域經(jīng)過預先優(yōu)化劃分得到的各個聚類的中心；

具體的，在本申請中，通過計算目標點特征值到各個聚類中心的歐式距離，然后選取歐式距離中最小的值對應的聚類中心所在的聚類作為待定位點所在的聚類。

其中，歐式距離是計算空間距離的常用方法，在本申請中不再贅述。

需要說明的是，在本申請中，選取室內(nèi)定位區(qū)域，將該室內(nèi)定位區(qū)域布置足以覆蓋定位區(qū)域的多個AP，然后對定位區(qū)域進行網(wǎng)格劃分，利用移動終端測量網(wǎng)格中各個點所接收到各個AP的RSS，并記錄下來建立指紋空間，然后對現(xiàn)有的指紋空間進行預處理，將指紋空間劃分為最優(yōu)的聚類數(shù)目，使得在大型室內(nèi)環(huán)境中測得的較大數(shù)據(jù)量的指紋點劃分為各個子空間，然后通過計算目標點特征值到各個聚類中心距離確定目標點所在子空間，然后進行匹配定位。

具體的，如圖2所示，圖2為本申請實施例二提供的一種獲取聚類的方法的流程圖，即定位區(qū)域預先優(yōu)化劃分得到各個聚類的方法包括：

S201：選取定位區(qū)域作為指紋空間，定位區(qū)域內(nèi)的N個點作為N個指紋點，獲取N個指紋點的特征值；

S202：將N個指紋點隨機劃分為M個聚類，并在各個聚類中隨機選取指紋點作為聚類的聚類中心，其中，M和N為正整數(shù)，且N大于M；

將指紋空間中的N個指紋點隨機劃分為M個聚類，在各個聚類中隨機選取某一個指紋點作為該聚類的聚類中心。

S203：根據(jù)劃分結(jié)果，利用設置有終止條件的目標函數(shù)計算得到各個聚類中的指紋點到聚類中心的距離和；

將目標函數(shù)設置終止條件目標函數(shù)值，計算當前劃分狀態(tài)的目標函數(shù)。

其中，利用目標函數(shù)計算得到各個聚類中的指紋點到聚類中心的距離和包括：

利用目標函數(shù)計算得到各個聚類中的指紋點到聚類中心的距離和；

其中，X為指紋點的特征值，ω為聚類劃分后的聚類中指紋點的特征值集合，為第i個聚類的聚類中心的特征值，為聚類中指紋點到聚類中心的距離，J_ω為各個聚類中指紋點到聚類中心距離的總和。

將得到的初始解，即當前劃分狀態(tài)下聚類中指紋點到聚類中心距離的總和作為當前最優(yōu)解。

S204：對當前的指紋聚類進行擾動，并將現(xiàn)有指紋點所在的聚類隨機分到其他聚類，重新選擇聚類的聚類中心，并計算當前各個聚類中指紋點到聚類中心的距離和；

將聚類重新劃分后，利用目標函數(shù)公式計算進行重新劃分后的目標函數(shù)值，即聚類中指紋點到聚類中心距離的總和Jω。

S205：若當前的距離和小于前一次的距離和，則接受當前劃分結(jié)果，否則利用Metropolis準則以概率判斷是否接受新解，直至當前的距離和最小且滿足目標函數(shù)終止條件，以當前的劃分結(jié)果作為最優(yōu)劃分結(jié)果。

計算第i次目標函數(shù)值與第i-1值的差值ΔJ＝J_ωi-J_ωi-1，如果ΔJ≤0，即當前的距離和小于前一次的距離和，則接受新解。否則，利用Metropolis準則以概率判斷是否要接受新解，具體的，通過產(chǎn)生隨機數(shù)μ服從均勻分布U[0,1]，計算接受概率當μ≤p時接受當前狀態(tài)，否則拒絕當前狀態(tài)。

接受新解后，判斷是否滿足終止條件，如果滿足終止條件則將當前解作為全局最優(yōu)解輸出，否則降低終止條件目標函數(shù)值，返回步驟S203繼續(xù)進行計算。

對指紋空間處理完畢后，則得到了最優(yōu)的聚類劃分。

S103：將目標點特征值與聚類中的特征值進行匹配，以確定待定位點的位置。

具體的，在確定待定位點所在的聚類后，根據(jù)KNN算法利用目標點特征值和指紋點特征值進行計算，獲取待定位點所在的聚類中距離待定位點最近的多個指紋點，通過聚類方法去除多個指紋點中的奇異點，計算去除奇異點后的最近鄰點的均值作為目標坐標點并輸出。

由以上技術(shù)方案可知，本申請實施例二提供的該室內(nèi)定位方法基于模擬退火聚類的大型室內(nèi)環(huán)境定位算法，利用模擬退火聚類算法將定位區(qū)域劃分為多個聚類，經(jīng)過對指紋定位法中的指紋空間的聚類處理，確定目標點所在子空間，使得在線匹配階段計算量減小，提高了定位的速度，而且去除了KNN算法的奇異點，實現(xiàn)精確、快速的定位，保證室內(nèi)基于位置服務的各種需求。

此外，通過以概率接受當前的聚類狀態(tài)為最優(yōu)狀態(tài)，避免了算法陷入全局最值，使得指紋空間的相似的指紋點不能聚類到同一子空間中，或者將差異性較大的指紋聚類到同一子空間中，導致聚類的效果差使得算法定位精度低的問題的發(fā)生，

而且通過對聚類的目標函數(shù)最值進行比較確定了最優(yōu)聚類數(shù)目，避免了K均值的方法中必須將初始設定明確的聚類數(shù)目，使得聚類的子空間并不是最優(yōu)劃分的問題的發(fā)生，進一步使指紋定位的結(jié)果更加精確。

實施例三

在實施例一的基礎上，本申請實施例三提供了一種室內(nèi)定位系統(tǒng)，如圖3所示，圖3為本申請實施例三提供的一種室內(nèi)定位系統(tǒng)的結(jié)構(gòu)示意圖。該定位系統(tǒng)包括：劃分單元301、獲取單元302、計算單元303和匹配單元304，其中，

劃分單元301，用于將待定位點對應的定位區(qū)域優(yōu)化劃分得到多個聚類；

在本申請中，劃分單元先要將定位區(qū)域劃分為多個聚類，并確定各個聚類的聚類中心。

獲取單元302，用于獲取待定位點的目標點特征值；

在本申請中，特征值具體可以為RSS(Received Signal Strength，接收信號強度)向量，首先在室內(nèi)定位區(qū)域不知足以覆蓋整個定位區(qū)域的多個AP(Access Point，接入點)，利用移動終端測量待定位點所接收的各個AP的RSS，以此作為待定位點的目標點特征值。

計算單元303，用于計算目標點特征值到各個聚類中心的距離，以確定待定位點所在的聚類；

其中，聚類中心為聚類的中心。

具體的，在本申請中，計算單元包括：第一計算子單元和選取單元，其中，通過利用第一計算子單元計算目標點特征值到各個聚類中心的歐式距離，然后利用選取單元選取歐式距離中最小的值對應的聚類中心所在聚類為待定位點所在的聚類。

其中，歐式距離是計算空間距離的常用方法，在本申請中不再贅述。

匹配單元304，用于將目標點特征值與待定位點所在的聚類中的指紋點特征值進行匹配，以確定待定位點的位置。

在本申請中，匹配單元包括：第二計算子單元、去除單元和第三計算子單元，

第二計算子單元用于根據(jù)KNN算法利用目標點特征值和指紋點特征值進行計算，獲取待定位點所在的聚類中距離待定位點最近的多個指紋點；

去除單元用于通過聚類方法去除多個指紋點中的奇異點；

第三計算子單元用于計算去除奇異點后的最近鄰點的均值作為目標坐標點并輸出。

由以上技術(shù)方案可知，本申請實施例三提供的該室內(nèi)定位系統(tǒng)，利用模擬退火聚類算法將定位區(qū)域劃分為多個聚類，通過首先確定待定位點所在的子空間，即所在的聚類，使得在線匹配階段計算量減小，提高了定位的速度。此外，通過去除奇異點，還可以克服現(xiàn)有技術(shù)中難以排除奇異點對定位結(jié)果的影響，能夠快速而精確的進行定位。

實施例四

在實施例三的基礎上，本申請實施例四提供了一種跟具體的室內(nèi)定位系統(tǒng)，其包括圖3所示的劃分單元301、獲取單元302、計算單元303和匹配單元304，其中，

劃分單元301，用于將待定位點對應的定位區(qū)域優(yōu)化劃分得到多個聚類；

在本申請中，劃分單元先要將定位區(qū)域劃分為多個聚類，并確定各個聚類的聚類中心。

如圖4所示，圖4為本申請實施例四提供的一種劃分單元的結(jié)構(gòu)示意圖。劃分單元包括：選取單元401、劃分子單元402、第四計算子單元403、重新分配單元404和比較單元405，其中，

選取單元401用于選取定位區(qū)域作為指紋空間，定位區(qū)域內(nèi)的N個點作為N個指紋點，獲取N個指紋點的特征值；

劃分子單元402用于將N個指紋點隨機劃分為M個聚類，并在各個聚類中隨機選取指紋點作為聚類的聚類中心，其中，M和N為正整數(shù)，且N大于M；

第四計算子單元403用于根據(jù)劃分結(jié)果，利用設置有終止條件的目標函數(shù)計算得到各個聚類中的指紋點到聚類中心的距離和；

將目標函數(shù)設置終止條件目標函數(shù)值，計算當前劃分狀態(tài)的目標函數(shù)。

其中，利用目標函數(shù)計算得到各個聚類中的指紋點到聚類中心的距離和包括：

利用目標函數(shù)計算得到各個聚類中的指紋點到聚類中心的距離和；

其中，X為指紋點的特征值，ω為聚類劃分后的聚類中指紋點的特征值集合，為第i個聚類的聚類中心的特征值，為聚類中指紋點到聚類中心的距離，J_ω為各個聚類中指紋點到聚類中心距離的總和。

將得到的初始解，即當前劃分狀態(tài)下聚類中指紋點到聚類中心距離的總和作為當前最優(yōu)解。

重新分配單元404用于對當前的指紋聚類進行擾動，并將現(xiàn)有指紋點所在的聚類隨機分到其他聚類，重新選擇聚類的聚類中心；

第四計算子單元403還用于根據(jù)重新分配單元分配得到的劃分結(jié)果，計算當前各個聚類中指紋點到聚類中心的距離和；

將聚類重新劃分后，利用目標函數(shù)公式計算進行重新劃分后的目標函數(shù)值，即聚類中指紋點到聚類中心距離的總和J_ω。

比較單元405用于若當前的距離和小于前一次的距離和，則接受當前劃分結(jié)果，否則利用Metropolis準則以概率判斷是否接受新解，直至當前的距離和最小且滿足目標函數(shù)的終止條件，以當前的劃分結(jié)果作為最優(yōu)劃分結(jié)果。

計算第i次目標函數(shù)值與第i-1值的差值ΔJ＝J_ωi-J_ωi-1，如果ΔJ≤0，即當前的距離和小于前一次的距離和，則接受新解。否則，利用Metropolis準則以概率判斷是否要接受新解，具體的，通過產(chǎn)生隨機數(shù)μ服從均勻分布U[0,1]，計算接受概率當μ≤p時接受當前狀態(tài)，否則拒絕當前狀態(tài)。

接受新解后，判斷是否滿足終止條件，如果滿足終止條件則將當前解作為全局最優(yōu)解輸出，否則降低終止條件目標函數(shù)值，利用第四計算子單元繼續(xù)進行計算。

對指紋空間處理完畢后，則得到了最優(yōu)的聚類劃分。

獲取單元302，用于獲取待定位點的目標點特征值；

在本申請中，特征值具體可以為RSS(Received Signal Strength，接收信號強度)向量，首先在室內(nèi)定位區(qū)域不知足以覆蓋整個定位區(qū)域的多個AP(Access Point，接入點)，利用移動終端測量待定位點所接收的各個AP的RSS，以此作為待定位點的目標點特征值。

計算單元303，用于計算目標點特征值到各個聚類中心的距離，以確定待定位點所在的聚類；

其中，聚類中心為聚類的中心。

具體的，在本申請中，計算單元包括：第一計算子單元和選取單元，其中，利用第一計算子單元計算目標點特征值到各個聚類中心的歐式距離，然后利用選取單元選取歐式距離中最小的值對應的聚類中心所在聚類為待定位點所在的聚類。

其中，歐式距離是計算空間距離的常用方法，在本申請中不再贅述。

匹配單元304，用于將目標點特征值與待定位點所在的聚類中的指紋點特征值進行匹配，以確定待定位點的位置。

在本申請中，匹配單元包括：第二計算子單元、去除單元和第三計算子單元，

第二計算子單元用于根據(jù)KNN算法利用目標點特征值和指紋點特征值進行計算，獲取待定位點所在的聚類中距離待定位點最近的多個指紋點；

去除單元用于通過聚類方法去除多個指紋點中的奇異點；

第三計算子單元用于計算去除奇異點后的最近鄰點的均值作為目標坐標點并輸出。

由以上技術(shù)方案可知，本申請實施例四提供的該室內(nèi)定位系統(tǒng)基于模擬退火聚類的大型室內(nèi)環(huán)境定位算法，利用模擬退火聚類算法將定位區(qū)域劃分為多個聚類，經(jīng)過對指紋定位法中的指紋空間的聚類處理，確定目標點所在子空間，使得在線匹配階段計算量減小，提高了定位的速度，而且去除了KNN算法的奇異點，實現(xiàn)精確、快速的定位，保證室內(nèi)基于位置服務的各種需求。

此外，通過以概率接受當前的聚類狀態(tài)為最優(yōu)狀態(tài)，避免了算法陷入全局最值，使得指紋空間的相似的指紋點不能聚類到同一子空間中，或者將差異性較大的指紋聚類到同一子空間中，導致聚類的效果差使得算法定位精度低的問題的發(fā)生，

而且通過對聚類的目標函數(shù)最值進行比較確定了最優(yōu)聚類數(shù)目，避免了K均值的方法中必須將初始設定明確的聚類數(shù)目，使得聚類的子空間并不是最優(yōu)劃分的問題的發(fā)生，進一步使指紋定位的結(jié)果更加精確。

最后，還需要說明的是，在本文中，諸如第一和第二等之類的關系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。

對所公開的實施例的上述說明，使本領域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本申請。對這些實施例的多種修改對本領域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本申請的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本申請將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。