本發(fā)明屬于無線通信、模式識別及室內(nèi)定位領(lǐng)域，涉及一種基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)K近鄰室內(nèi)定位方法。

背景技術(shù)：

隨著無線通信、計(jì)算機(jī)以及智能終端的快速發(fā)展，基于位置的服務(wù)(Location Based Services，LBS)日益受到人們的關(guān)注和重視。雖然全球定位系統(tǒng)(Global Positioning System，GPS)目前在室外場景下得到了廣泛的應(yīng)用，但是由于衛(wèi)星發(fā)射的無線電信號太弱，無法穿透高樓和墻壁，導(dǎo)致“城市峽谷”效應(yīng)，因此，人們正尋求著新的室內(nèi)定位方法。目前已經(jīng)有多種方法和手段實(shí)現(xiàn)室內(nèi)環(huán)境精確定位，這其中，基于無線局域網(wǎng)(Wireless Local Area Networks，WLAN)的指紋法室內(nèi)定位系統(tǒng)受到廣泛的歡迎。其原因是指紋法定位無需額外硬件成本，原則上僅使用終端設(shè)備如手機(jī)、平板電腦等在WLAN環(huán)境中即可實(shí)現(xiàn)定位。其基本原理是：在WLAN室內(nèi)環(huán)境中，在離線采集階段均勻選取多個(gè)參考點(diǎn)，用終端采集設(shè)備在這些參考點(diǎn)上采集室內(nèi)環(huán)境中的各個(gè)無線訪問接入點(diǎn)(Access Point，AP)的信號強(qiáng)度值。每個(gè)參考點(diǎn)的位置坐標(biāo)與對應(yīng)的接收信號強(qiáng)度(Received Signal Strength，RSS)值以及AP的媒體訪問控制(Media Access Control，MAC)地址一起構(gòu)成一條位置指紋，將所有的位置指紋保存起來，形成離線指紋數(shù)據(jù)庫。在線定位階段，用戶用終端實(shí)時(shí)收集所處位置接收到所有AP的RSS值，并將這些RSS值和對應(yīng)的MAC地址上傳到服務(wù)器。之后，服務(wù)器會用某種匹配算法將在用戶上傳的在線指紋數(shù)據(jù)與離線指紋數(shù)據(jù)庫中的指紋進(jìn)行匹配，從而得到用戶的位置信息。

指紋法室內(nèi)定位系統(tǒng)的定位算法可以分為兩大類：匹配型算法和學(xué)習(xí)型算法。匹配型算法如最鄰近(Nearest Neighbor，NN)算法、K臨近(k Nearest Neighbor，KNN)算法、加權(quán)K臨近(k Weighted Nearest Neighbor，WKNN)算法及樸素貝葉斯法(Naive Bayesian Model，NBM)等。這類算法一般首先對離線指紋數(shù)據(jù)庫中的RSS指紋進(jìn)行統(tǒng)計(jì)分析或者預(yù)處理，定義某個(gè)距離匹配度量函數(shù)；在在線定位階段則根據(jù)相應(yīng)的距離匹配度量函數(shù)計(jì)算相似性最高或者離的最近的若干指紋，用戶的位置由這些指紋對應(yīng)的參考點(diǎn)的物理坐標(biāo)加權(quán)得出。學(xué)習(xí)型算法如人工神經(jīng)網(wǎng)絡(luò)算法(Artificial Neural Network，ANN)和支持向量回歸法(Support Vector Regression，SVR)，則是先對離線指紋數(shù)據(jù)庫進(jìn)行數(shù)據(jù)挖掘并提取定位特征，再將定位特征和對應(yīng)的物理位置坐標(biāo)作為一對訓(xùn)練樣本輸入學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練，從而得到RSS值與物理位置的映射函數(shù)關(guān)系；在線階段，把實(shí)時(shí)測量的RSS向量直接輸入離線階段訓(xùn)練出的定位函數(shù)，即得定位結(jié)果。

傳統(tǒng)的KNN算法首先計(jì)算實(shí)時(shí)測量到的RSS樣本與指紋數(shù)據(jù)庫中各個(gè)指紋對應(yīng)的RSS均值之間的歐式距離，而后找出距離該實(shí)時(shí)RSS樣本信號最近的K個(gè)指紋，平均或加權(quán)平均各個(gè)指紋的位置坐標(biāo)即可得待測點(diǎn)的估計(jì)位置。但由于室內(nèi)環(huán)境很復(fù)雜，RSS信號的傳播會受到多徑效應(yīng)、同頻無線電干擾、人體遮擋等因素的影響，這將導(dǎo)致RSS信號具有很強(qiáng)的時(shí)變性，這種時(shí)變性使得RSS與物理位置間不是簡單的一一映射關(guān)系，而表現(xiàn)為復(fù)雜的、非線性映射關(guān)系。所以，與在線測試點(diǎn)信號空間上距離最近的離線參考點(diǎn)很可能并非是實(shí)際物理位置上距離最近的參考點(diǎn)，從而導(dǎo)致定位精度大幅降低。

此外，室內(nèi)環(huán)境下一條指紋記錄通常包含20～50個(gè)AP信息，屬于高維矢量。而在高維數(shù)據(jù)空間中，對于給定的查詢點(diǎn)，當(dāng)用某個(gè)距離度量函數(shù)度量時(shí)，與該查詢點(diǎn)最近的鄰居數(shù)據(jù)點(diǎn)到該查詢點(diǎn)的距離D_min和與之最遠(yuǎn)的鄰居數(shù)據(jù)點(diǎn)到該查詢點(diǎn)之間的距離D_max的差異一般很小，這種現(xiàn)象即稱之為“維數(shù)災(zāi)難”。如對于p范數(shù)準(zhǔn)則：其中:為兩個(gè)m維矢量，x_i,y_i分別為其第i個(gè)特征分量。隨著數(shù)據(jù)維數(shù)m的增長，會以m^1/p-1/2規(guī)律增長，故只有當(dāng)p＝1即使用1范數(shù)準(zhǔn)則時(shí)，會隨m增大而增大。另一方面，每條指紋不同的特征分量(即不同的AP信息)在定位中的可用程度不同，如圖2所示。信號強(qiáng)度高時(shí)，受波動影響小，處于定位的可用區(qū)域；信號強(qiáng)度衰減到約-80dbm以下時(shí)，受室內(nèi)環(huán)境下各因素影響大，處于定位不可用區(qū)域；因此需要為每一維分量在距離匹配度量函數(shù)中的對應(yīng)項(xiàng)賦予不同權(quán)重來反映它們可用程度的大小。

與此同時(shí)，對數(shù)路徑損耗模型(Logarithmic Distance Path Loss Model，LDPL)下信號的衰減速度會隨著距離的增加而減慢，如圖2所示，這將導(dǎo)致與在線測試點(diǎn)有相同信號間距離的離線參考點(diǎn)并不一定與在線測試點(diǎn)有相同的空間物理距離(d₂≈3d₁)。故不同取值水平上的信號強(qiáng)度值反映在距離匹配度量函數(shù)中的作用不盡相同，從而嚴(yán)重的影響了定位的精度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺點(diǎn)，提供了一種基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)K近鄰室內(nèi)定位方法，該方法能夠?qū)崿F(xiàn)室內(nèi)定位終端的精確定位。

為達(dá)到上述目的，本發(fā)明所述的基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)K近鄰室內(nèi)定位方法包括以下步驟：

1)構(gòu)建離線指紋數(shù)據(jù)庫；

2)待定位終端實(shí)時(shí)掃描室內(nèi)的各接入點(diǎn)信息，并根據(jù)掃描得到的接入點(diǎn)信息形成在線指紋，然后計(jì)算各在線指紋與離線指紋數(shù)據(jù)庫中各離線指紋之間基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)距離匹配度量函數(shù)的函數(shù)值；

3)將步驟2)得到的各在線指紋與離線指紋數(shù)據(jù)庫中各離線指紋之間基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)距離匹配度量函數(shù)的函數(shù)值進(jìn)行排序，并根據(jù)排序的結(jié)果選取K個(gè)最小函數(shù)值對應(yīng)的參考點(diǎn)作為候選參考點(diǎn)；

4)根據(jù)步驟3)選取的候選參考點(diǎn)估計(jì)待定位終端的位置坐標(biāo)，完成基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)K近鄰室內(nèi)定位。

構(gòu)建離線指紋數(shù)據(jù)庫的具體操作為：

a1)將待定位區(qū)域劃分為均勻的參考點(diǎn)網(wǎng)格，并將參考點(diǎn)網(wǎng)格的四個(gè)頂點(diǎn)作為離線參考點(diǎn)；

a2)通過移動終端在待定位區(qū)域內(nèi)各離線參考點(diǎn)處采集無線接入點(diǎn)的信號強(qiáng)度信息，再根據(jù)無線接入點(diǎn)的信號強(qiáng)度信息與其物理地址構(gòu)建信號強(qiáng)度向量，再通過信號強(qiáng)度向量與離線參考點(diǎn)的位置坐標(biāo)構(gòu)建離線指紋，然后再根據(jù)所有離線參考點(diǎn)對應(yīng)的離線指紋構(gòu)建離線指紋數(shù)據(jù)庫。

在每個(gè)離線參考點(diǎn)處朝向四個(gè)方向分別進(jìn)行N次無線接入點(diǎn)的信號強(qiáng)度信息采樣，再分別對每個(gè)方向上的N個(gè)無線接入點(diǎn)的信號強(qiáng)度信息求平均值，得四個(gè)樣本均值向量，其中，一個(gè)離線參考點(diǎn)對應(yīng)四個(gè)樣本均值向量，再根據(jù)四個(gè)樣本均值向量及對應(yīng)離線參考點(diǎn)的位置坐標(biāo)構(gòu)建離線指紋。

基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)距離匹配度量函數(shù)的計(jì)算方法為：

室內(nèi)空間中點(diǎn)l處接收到接入點(diǎn)j發(fā)射的信號強(qiáng)度RSS_l為：

其中，d₀為參考距離，為參考能量，d_l為點(diǎn)l到接入點(diǎn)j的距離，為點(diǎn)l處的接收能量，β為路徑損耗因子。

由式(1)得室內(nèi)空間中點(diǎn)l₁與點(diǎn)l₂之間的信號距離dis_RSS為：

其中，RSS₁及RSS₂分別為在點(diǎn)l₁和點(diǎn)l₂處接收到接入點(diǎn)j發(fā)射的信號強(qiáng)度，d₁及d₂分別為點(diǎn)l₁及點(diǎn)l₂到接入點(diǎn)j的距離；

室內(nèi)空間中點(diǎn)l₁與點(diǎn)l₂之間的物理距離dis_phy為：

由式(3)得室內(nèi)空間中點(diǎn)l₁與點(diǎn)l₂之間的基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)距離匹配度量函數(shù)為：

其中，M為在線階段檢測到接入點(diǎn)的個(gè)數(shù)，RSS_j為在線指紋中來自第j個(gè)接入點(diǎn)的接收信號強(qiáng)度，RSS_ij為第i個(gè)參考點(diǎn)處接收到第j個(gè)接入點(diǎn)信號的信號強(qiáng)度，p為距離計(jì)算系數(shù)；

令p＝1，則式(4)轉(zhuǎn)換為：

對在線指紋中RSS取值水平高的特征分量賦予高權(quán)重，對RSS取值水平低的特征分量賦予低權(quán)重；

則第j個(gè)特征分量的高維矢量加權(quán)系數(shù)w_j為：

其中，RSS_i為在線指紋的第i個(gè)特征分量，K為在線指紋矢量總維數(shù)；

則式(5)可以轉(zhuǎn)換為：

設(shè)在線指紋第j個(gè)特征分量的特征縮放權(quán)因子為：

其中，RSS_j為在線指紋的第j個(gè)特征分量，v(·)滿足以下兩個(gè)條件：1)v(·)取值為正實(shí)數(shù)，2)隨自變量的增大，v(·)為取值遞減的等差數(shù)列，f(·)滿足以下兩個(gè)條件：1)當(dāng)自變量為正時(shí)，f(·)取值為正，2)f(·)應(yīng)為斜率逐漸減小的增函數(shù)；

則式(7)轉(zhuǎn)換為：

本發(fā)明具有以下有益效果：

本發(fā)明所述的基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)K近鄰室內(nèi)定位方法在具體操作時(shí)，通過計(jì)算各在線指紋與離線指紋數(shù)據(jù)庫中各離線指紋之間基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)距離匹配度量函數(shù)的函數(shù)值，并將計(jì)算的結(jié)果進(jìn)行排序，然后再根據(jù)排序的結(jié)果選取參考點(diǎn)，并根據(jù)選取的參考點(diǎn)估計(jì)待定位終端的位置坐標(biāo)，從而實(shí)現(xiàn)定位終端的定位，需要說明的是，本發(fā)明以基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)距離匹配度量函數(shù)的函數(shù)值作為衡量標(biāo)準(zhǔn)選取參考點(diǎn)，從而有效的提高定位的精確性。

進(jìn)一步，所述對數(shù)路徑損耗模型的聯(lián)合加權(quán)距離匹配度量函數(shù)中以離線參考點(diǎn)與在線測試點(diǎn)之間的物理距離代替信號距離并聯(lián)合使用了一種高維矢量加權(quán)系數(shù)以及一種特征縮放權(quán)因子，從而有效的提高定位的精度。

附圖說明

圖1為本發(fā)明的原理圖；

圖2為LDPL模型下信號傳播規(guī)律示意圖；

圖3為本發(fā)明的測試環(huán)境平面圖。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明做進(jìn)一步詳細(xì)描述：

參考圖1，本發(fā)明所述的基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)K近鄰室內(nèi)定位方法包括以下步驟：

1)構(gòu)建離線指紋數(shù)據(jù)庫；

2)待定位終端實(shí)時(shí)掃描室內(nèi)的各接入點(diǎn)信息，并根據(jù)掃描得到的接入點(diǎn)信息形成在線指紋，然后計(jì)算各在線指紋與離線指紋數(shù)據(jù)庫中各離線指紋之間基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)距離匹配度量函數(shù)的函數(shù)值；

3)將步驟2)得到的各在線指紋與離線指紋數(shù)據(jù)庫中各離線指紋之間基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)距離匹配度量函數(shù)的函數(shù)值進(jìn)行排序，并根據(jù)排序的結(jié)果選取K個(gè)最小函數(shù)值對應(yīng)的參考點(diǎn)作為候選參考點(diǎn)；

4)根據(jù)步驟3)選取的候選參考點(diǎn)估計(jì)待定位終端的位置坐標(biāo)，完成基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)K近鄰室內(nèi)定位。

構(gòu)建離線指紋數(shù)據(jù)庫的具體操作為：

a1)將待定位區(qū)域劃分為均勻的參考點(diǎn)網(wǎng)格，并將參考點(diǎn)網(wǎng)格的四個(gè)頂點(diǎn)作為離線參考點(diǎn)；

a2)通過移動終端在待定位區(qū)域內(nèi)各離線參考點(diǎn)處采集無線接入點(diǎn)的信號強(qiáng)度信息，再根據(jù)無線接入點(diǎn)的信號強(qiáng)度信息與其物理地址構(gòu)建信號強(qiáng)度向量，再通過信號強(qiáng)度向量與離線參考點(diǎn)的位置坐標(biāo)構(gòu)建離線指紋，然后再根據(jù)所有離線參考點(diǎn)對應(yīng)的離線指紋構(gòu)建離線指紋數(shù)據(jù)庫。

在每個(gè)離線參考點(diǎn)處朝向四個(gè)方向分別進(jìn)行N次無線接入點(diǎn)的信號強(qiáng)度信息采樣，再分別對每個(gè)方向上的N個(gè)無線接入點(diǎn)的信號強(qiáng)度信息求平均值，得四個(gè)樣本均值向量，其中，一個(gè)離線參考點(diǎn)對應(yīng)四個(gè)樣本均值向量，再根據(jù)四個(gè)樣本均值向量及對應(yīng)離線參考點(diǎn)的位置坐標(biāo)構(gòu)建離線指紋。

基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)距離匹配度量函數(shù)的計(jì)算方法為：

室內(nèi)空間中點(diǎn)l處接收到接入點(diǎn)j發(fā)射的信號強(qiáng)度RSS_l為：

其中，d₀為參考距離，為參考能量，d_l為點(diǎn)l到接入點(diǎn)j的距離，為點(diǎn)l處的接收能量，β為路徑損耗因子。

由式(1)得室內(nèi)空間中點(diǎn)l₁與點(diǎn)l₂之間的信號距離dis_RSS為：

其中，RSS₁及RSS₂分別為在點(diǎn)l₁和點(diǎn)l₂處接收到接入點(diǎn)j發(fā)射的信號強(qiáng)度，d₁及d₂分別為點(diǎn)l₁及點(diǎn)l₂到接入點(diǎn)j的距離；

室內(nèi)空間中點(diǎn)l₁與點(diǎn)l₂之間的物理距離dis_phy為：

由式(3)得室內(nèi)空間中點(diǎn)l₁與點(diǎn)l₂之間的基于對數(shù)路徑損耗模型的聯(lián)合加權(quán)距離匹配度量函數(shù)為：

其中，M為在線階段檢測到接入點(diǎn)的個(gè)數(shù)，RSS_j為在線指紋中來自第j個(gè)接入點(diǎn)的接收信號強(qiáng)度，RSS_ij為第i個(gè)參考點(diǎn)處接收到第j個(gè)接入點(diǎn)信號的信號強(qiáng)度，p為距離計(jì)算系數(shù)；

令p＝1，則式(4)轉(zhuǎn)換為：

對在線指紋中RSS取值水平高的特征分量賦予高權(quán)重，對RSS取值水平低的特征分量賦予低權(quán)重；

則第j個(gè)特征分量的高維矢量加權(quán)系數(shù)w_j為：

其中，RSS_i為在線指紋的第i個(gè)特征分量，K為在線指紋矢量總維數(shù)；

則式(5)可以轉(zhuǎn)換為：

對不同取值水平上的信號強(qiáng)度賦予不同的特征縮放權(quán)因子，具體如下：

統(tǒng)計(jì)接收到所有接入點(diǎn)的信號強(qiáng)度，得信號強(qiáng)度最大值及信號強(qiáng)度最小值，再根據(jù)信號強(qiáng)度最大值及信號強(qiáng)度最小值設(shè)定邊界，將整個(gè)信號強(qiáng)度區(qū)間劃分成若干等間隔不重合的子區(qū)間，并為每個(gè)子區(qū)間分配一個(gè)特征縮放權(quán)因子，該特征縮放權(quán)因子選取應(yīng)遵循以下兩個(gè)原則：1)信號取值水平越高時(shí)，子區(qū)間對應(yīng)的特征縮放權(quán)因子應(yīng)越小；2)不同子區(qū)間特征縮放權(quán)因子的差異應(yīng)隨著信號取值水平的降低而減小。

設(shè)在線指紋第j個(gè)特征分量的特征縮放權(quán)因子為：

其中，RSS_j為在線指紋的第j個(gè)特征分量，v(·)為根據(jù)RSS_j所在子區(qū)間選取的任意一個(gè)正實(shí)數(shù)，相鄰子區(qū)間v(·)的差值應(yīng)相同，f(·)滿足以下兩個(gè)條件：1)當(dāng)自變量為正時(shí)，f(·)取值為正，2)f(·)應(yīng)為斜率逐漸減小的增函數(shù)；

則式(7)轉(zhuǎn)換為：

實(shí)施例一

本實(shí)施例的測試環(huán)境為西安交通大學(xué)中心行政樓二樓大廳，整個(gè)實(shí)驗(yàn)環(huán)境大小為41.26m×26.10m，具體測試環(huán)境如圖3所示，信號采集終端為安卓手機(jī)，具體過程為：

1)離線階段信號指紋采集；在本次測試中，實(shí)驗(yàn)環(huán)境中參考點(diǎn)間隔為3.2m，由于空間限制，實(shí)驗(yàn)環(huán)境兩翼參考點(diǎn)的間隔為2.4m或1.6m，一共有73個(gè)參考點(diǎn)，在每個(gè)參考點(diǎn)采集的信號強(qiáng)度值RSS來自環(huán)境中已有的接入點(diǎn)(AP)。在每個(gè)參考點(diǎn)上以200ms的采樣間隔在四個(gè)方向上分別采集50s的RSS樣本。

2)步驟1)中完成了信號采集工作之后，采集到的信息在放入數(shù)據(jù)庫之前需要進(jìn)行預(yù)處理，對每個(gè)參考點(diǎn)每一方向上同一個(gè)接入點(diǎn)采集到的多組RSS信息rss₁,rss₂,...,rss_n求平均，得均值其中，將各參考點(diǎn)四個(gè)方向的均值樣本矢量分別存入數(shù)據(jù)庫，即一個(gè)離線參考點(diǎn)對應(yīng)四條指紋信息；

3)在線階段，終端在測試點(diǎn)處持續(xù)掃描周圍接入點(diǎn)信息，獲得若干在線指紋，RSS的采樣間隔為200ms，持續(xù)時(shí)間為50s，在線測試點(diǎn)的個(gè)數(shù)為100個(gè)；

4)對于每條在線指紋數(shù)據(jù)，計(jì)算其各特征分量的高維矢量加權(quán)系數(shù)其中，RSS_i表示在線指紋的第i個(gè)特征分量，K為在線指紋矢量總維數(shù)；

5)統(tǒng)計(jì)接收到的所有接入點(diǎn)的信號強(qiáng)度，從中找出信號強(qiáng)度最大值及信號強(qiáng)度最小值，根據(jù)信號強(qiáng)度最大值及信號強(qiáng)度最小值設(shè)定邊界條件，將整個(gè)信號強(qiáng)度區(qū)間劃分為若干等間隔不重合的子區(qū)間，其中，每個(gè)子區(qū)間的區(qū)間跨度為5dbm，共劃分為10個(gè)子區(qū)間，如表1所示。

6)對于每條在線指紋數(shù)據(jù)，計(jì)算其各分量的特征縮放權(quán)因子其中，RSS_j為在線指紋的第j個(gè)特征分量，v(·)為根據(jù)RSS_j所在子區(qū)間選取的某一正實(shí)數(shù)，相鄰子區(qū)間v(·)的差值相同，本實(shí)施例中選取值為1～10的自然數(shù)，如表1所示，f(·)滿足以下兩個(gè)條件：一、當(dāng)自變量為正時(shí)，f(·)取值應(yīng)為正。二、f(·)應(yīng)為斜率逐漸減小的增函數(shù)。本實(shí)施例中取

7)遍歷數(shù)據(jù)庫中的所有參考點(diǎn)信息，計(jì)算它們與在線測試點(diǎn)的距離，其中，第i個(gè)參考點(diǎn)與在線測試點(diǎn)距離公式為：其中，M為在線階段檢測到的接入點(diǎn)個(gè)數(shù)，RSS_j為在線指紋中來自第j個(gè)接入點(diǎn)的接收信號強(qiáng)度，RSS_ij為第i個(gè)參考點(diǎn)處接收到第j個(gè)接入點(diǎn)信號的信號強(qiáng)度，β為路徑損耗因子，實(shí)施例中β等于5，再找出K個(gè)最小的dis_phy值所對應(yīng)的參考點(diǎn)，然后對它們的坐標(biāo)加權(quán)平均，得到最后的定位結(jié)果，其中，K取10；

本實(shí)施例的定位結(jié)果如表2所示，對比算法分別為傳統(tǒng)KNN算法、基于歐氏距離的聯(lián)合加權(quán)KNN算法以及本發(fā)明中提出的基于LDPL的聯(lián)合加權(quán)KNN算法，各方法的距離匹配度量函數(shù)分別為：

從表2中可以看出本發(fā)明的定位精度對比傳統(tǒng)的KNN算法以及基于歐氏距離的聯(lián)合加權(quán)KNN算法有明顯的提升。

表1

表2