技術特征：

1.一種基于決策樹的快速KNN室內WiFi定位方法，其特征在于，所述方法包括下列步驟：

將定位區(qū)域劃分為多個子區(qū)域，在每一個子區(qū)域設置多個定位坐標點；

終端采集每個坐標點RSSI指紋信息和坐標信息，通過無線網(wǎng)絡傳輸至服務器，構建指紋數(shù)據(jù)庫Ψ；

服務器通過集成的決策樹算法對目標所處區(qū)域類別進行判別；

采用KNN算法對以目標所處類別進行匹配，計算精確位置。

2.根據(jù)權利要求1所述的一種基于決策樹的快速KNN室內WiFi定位方法，所述的將定位區(qū)域劃分為多個子區(qū)域，在每一個子區(qū)域設置多個定位坐標點具體包括：

按照等間隔劃分方式將定位區(qū)域進行劃分多個子區(qū)域，為每一個子區(qū)域設置類別標簽；

在每一個子區(qū)域上隨機布局多個定位坐標點，記錄每個點坐標信息。

3.根據(jù)權利要求1所述的一種基于決策樹的快速KNN室內WiFi定位方法，所述的終端采集每個坐標點RSSI指紋信息和坐標信息，經(jīng)過JSON封裝為網(wǎng)絡數(shù)據(jù)包后通過無線網(wǎng)絡傳輸至服務器。

4.根據(jù)權利要求1所述的一種基于決策樹的快速KNN室內WiFi定位方法，其特征在于，所述的服務器通過集成的決策樹算法對目標所處區(qū)域類別進行判別具體包括：

對指紋數(shù)據(jù)庫Ψ和標簽信息，采用決策樹訓練原則生成決策樹，生成多個葉子結點；

輸入目標樣本進入決策樹根結點，依次與內部分支進行規(guī)則匹配，直到目標樣本進入葉子結點；

葉子結點類別由內部包含樣本數(shù)最多的類別決定，目標樣本所屬區(qū)域類別為葉子結點類別。

5.根據(jù)權利要求1所述的一種基于決策樹的快速KNN室內WiFi定位方法，其特征在于，所述的采用KNN算法對目標所處類別進行匹配，計算精確位置具體包括：

計算待測點的RSSI向量與所處類別對應指紋庫中每條向量的余弦相似度，按進行升序排列，取前K個參考點構成鄰居樣本集，鄰居樣本集對應的二維坐標構成鄰居樣本坐標集；

將鄰居樣本集的余弦相似度作為權重，采用基于加權的方法得出待測點位置坐標(x,y)。

6.根據(jù)權利要求1所述的一種基于決策樹的快速KNN室內WiFi定位方法，其特征在于，所述的指紋數(shù)據(jù)庫Ψ表示為：

$\mathrm{\Ψ}=\left[\begin{array}{c}RSS{I}_{1,1},...,RSS{I}_{1,n},...,RSS{I}_{1,N}\\ {\mathrm{RSSI}}_{m,1},...,{\mathrm{RSSI}}_{m,n},...,{\mathrm{RSSI}}_{m,N}\\ {\mathrm{RSSI}}_{M,1},...,{\mathrm{RSSI}}_{M,n},...,{\mathrm{RSSI}}_{M,N}\end{array}\right]$

其中RSSI_m,n(m＝1，2...M，n＝1，2，...N)表示第m個參考點接收到第n個AP的RSSI平均值，指紋數(shù)據(jù)庫Ψ的每一個行向量表示一個參考點接收到N個AP的RSSI。

7.根據(jù)權利要求4所述的一種基于決策樹的快速KNN室內WiFi定位方法，其特征在于，所述的決策樹訓練原則具體包括：

將RSSI向量每一維分量看做一個分類屬性，因此屬性集表示為：

R(D)＝{R₁,...,R_i,...,R_N}

其中，R_i表示RSSI向量第i維分量，針對RSSI第i維屬性R_i，對這些取值按從小到大排序，得到升序序列{R_i1,...,R_ij,...R_in}，設定[R_ij,R_ij+1)中間點為區(qū)間劃分點，針對屬性R_i構造候選劃分點集合：

$T_R=\left\{\frac{R_{ij}+R_{ij+1}}{2}\right|1\≤i\≤n-1\};$

構造屬性最佳劃分點判定規(guī)則，即屬性R_i最佳劃分點應滿足：

$Gain(D,R_i)=\max Ent\left(D\right)-\underset{\mathrm{\λ}\∈\{-,+\}}{\Σ}\frac{D_t^{\mathrm{\λ}}}{D}Ent\left(D_t^{\mathrm{\λ}}\right);$

根據(jù)上述判定規(guī)則，最優(yōu)劃分點對應信息增益即為屬性本身的信息增益，在構造決策樹時，當前結點屬性應滿足：

R＝arg max G(D,R_i)

從根結點出發(fā)，依照上述規(guī)則選出最優(yōu)劃分屬性與最優(yōu)劃分點，將樣本集按照劃分點進行二分為兩個子集，接著在這兩個子集上進行進一步劃分，直到所有葉子結點都包含相同類別樣本，完成決策樹構建。

8.根據(jù)權利要求5所述的一種基于決策樹的快速KNN室內WiFi定位方法，其特征在于，所述的計算待測點的RSSI向量與所處類別對應指紋庫中每條向量的余弦相似度具體如下：

目標樣本r＝{r₁,...r_N}，所處類別數(shù)據(jù)集每一個樣本記為{(r_k1,...,r_ki,...,r_km}，目標樣本與數(shù)據(jù)集每個樣本余弦相似度定義為：

${\mathrm{Sim}}_i=\frac{r_1\×r_{k1}+...+r_N\×r_{kN}}{\sqrt{r_1\×r_1+...+r_N\×r_N}+\sqrt{r_{k1}\×r_{k1}+...+r_{kN}\×r_{kN}}}.$

9.根據(jù)權利要求5所述的一種基于決策樹的快速KNN室內WiFi定位方法，其特征在于，所述的采用基于加權的方法得出待測點位置坐標(x,y)如下：

選取相似度最大的K個樣本，為每個坐標向量定義權重：

$w_{ki}=\frac{{\mathrm{Sim}}_i}{\underset{i=1}{\overset{K}{\Σ}}{\mathrm{Sim}}_i},$

待測點目標定位結果如下：

$\left\{\begin{array}{c}x=\underset{i=1}{\overset{K}{\Σ}}{w}_{ki}{x}_{ki}\\ y=\underset{i=1}{\overset{K}{\Σ}}{w}_{ki}{y}_{ki}\end{array}\right.,$

其中，x_ki表示第k類樣本的第i個坐標向量橫坐標，y_ki表示第k類樣本的第i個坐標向量縱坐標。