[发明专利]一种改进的室内定位KNN方法

说明书

本发明公开一种改进的室内定位KNN计算方法，应用于室内定位技术领域，本申请根据用户定位中前几个历史点，预判出当前定位点在前几个定位点的附近，在使用KNN算法计算当前点时，根据指纹算法的误差，确定出定位点附近的指纹点；根据确定出的指纹点计算本次定位结果；实现只需计算前几个定位点附近的指纹点，即可得到本次定位结果，从而大幅度减少传统KNN算法的计算复杂度。

技术领域

本发明属于室内定位技术领域，特别涉及一种改进的KNN算法。

背景技术

近十多年中，伴随着我们出行的全球定位系统(GPS)是一直是室外导航定位的黄金标准，然而在室内由于信号的衰减、信号的折射反射等一系列问题，导致GPS在室内定位的应用中存在局限性。近十多年来，随着无线技术的发展，无线技术在室内定位的应用越来越广泛，如WLAN技术、Zigbee、蓝牙等。目前定位算法也有很多种，如基于距离的定位和基于指纹的定位算法，它们的主要研究点在于提高定位精度以及降低算法复杂度上。

kNN邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。

K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。算法流程如下：

1.准备数据，对数据进行预处理

2.选用合适的数据结构存储训练数据和测试元组

3.设定参数，如k

4.维护一个大小为k的的按距离由大到小的优先级队列，用于存储最近邻训练元组。随机从训练元组中选取k个元组作为初始的最近邻元组，分别计算测试元组到这k个元组的距离，将训练元组标号和距离存入优先级队列

5.遍历训练元组集，计算当前训练元组与测试元组的距离，将所得距离L与优先级队列中的最大距离Lmax

6.进行比较。若L＝Lmax，则舍弃该元组，遍历下一个元组。若LLmax，删除优先级队列中最大距离的元组，将当前训练元组存入优先级队列。

7.遍历完毕，计算优先级队列中k个元组的多数类，并将其作为测试元组的类别。

8.测试元组集测试完毕后计算误差率，继续设定不同的k值重新进行训练，最后取误差率最小的k值。

但是目前的KNN定位算法存在计算复杂度高的问题。

发明内容

本发明为解决上述技术问题，提出了一种改进的室内定位KNN计算方法，根据用户定位中前几个历史点，预判出当前定位点在前几个定位点的附近，在使用KNN算法计算当前点时，只需计算前几个定位点附近的指纹点，从而大幅度减少传统KNN算法的计算复杂度。

本发明采用的技术方案是：一种改进的室内定位KNN计算方法，包括：

S1、初始化一个大小为T的定长队列Queue；

S2、根据数据库中的所有指纹点，建立KD树T_kd；

S3、收到用户的定位请求，判断该请求是否为初次定位；若是执行步骤S4；否则执行步骤S5；所述定位请求中包含RSS指纹信息；

S4、遍历数据库中所有指纹点，使用KNN算法计算得到初始定位点，将该初始定位点插入队列Queue中；则该初始定位点即为本次定位的定位结果；

S5、计算队列Queue中点的均值，然后从KD树中取出距均值点距离小于等于H的指纹点；