依据MAC地址求距离实现定位效果：
Python程序实现结 果：
依据MAC地址求距离实现定位效果：（平均误差：1.742m）
线端红色点：测试点 线端蓝色点：预测点
CDF 曲 线
KNN聚类算法优化：（K=4，NN=10）
“ ” 为测 试点
+
KNN聚类算法优化：
“ ” 为测 试点
+
KNN聚类算法优化效果：
线端红色点：测试点 线端蓝色点：预测点
CDF 曲 线
简单向量法
平均误差： 3.2047m
MAC地址求距 离：
平均误差： 1.742m
KNN 聚类优化：
平均误差： 1.5248m
K值和NN值的选择对结果的影响：
CDF 曲 线
参考书籍：
收获：
• 实现了室内定位的目标，定位精度在1.5米左右 • 学习了室内定位领域的基本定位方法 • 学会了通过对复杂数据处理来解决现实中实际问题的模式
毕业设计中期答辩
基于智能终端的室内定位技术
电信学院 信息54班 学生：何晓涛 导师：范建存
选题背景
• 现代生活中，随着人们室内活动的增加以及建筑物面积的增大，各 种基于室内定位的服务应运而生，这就让人们随时获取室内的精确 位置信息变为了可能。
• 虽然GPS定位技术在室外得到了广泛的应用，但是室内却因为信号 被建筑物屏蔽而无法使用，所以室内定位至今仍然是广大技术人员 不断研究的难题。 • 复杂的室内环境导致信号容易出现多径传播，钢筋混凝土的结构也 会对大部分的电磁信号产生屏蔽，此外物品的摆放，人员走动以及 门窗的开关状态都会改变和影响室内信号的分布。
数据处理
测试点 q
—简单向量法实现定位(忽略MAC地址)
训练点 p
训练点 p
………… …
158个训练 点
求欧氏距离
简单向量法认为： 欧氏距离最近即为预测最近的点
简单向量法定位效果
Python程序实现结 果：
简单向量法定位效果（平均误差：3.2047m）
线端红色点：测试点 线端蓝色点：预测点
CDF 曲 线
室内定位技术
• 数据采集 • 数据清洗 • 数据处理 实现定位 • KNN算法优化
数据
定位的效果和精度
数据采集
505平面图
实验室505
训练点：158个 测试点：11个 单点采集时长：20秒
数据采集
数据采集APP界面
数据集 单点数据展示
数据清洗
清洗后的数据
数据处理
—求均值
求同一mac地址的均值后排序
下一步计划：
• 通过对信号强度的依据强弱范围加权处理来优化定位精度 • 使用本文的方法在三维空间内实现定位并验证效果
数据处理
数据表外连接 full join
测试点 训练点
—依据MAC地址求距离实现定位
ห้องสมุดไป่ตู้
数据表内连接 inner join
测试点 训练点
数据处理
测试点
—依据MAC地址求距离实现定位
训练点
数据表内连接 inner join
P=rssi_x q=rssi_y 欧氏距离最近即 为预测最近的点
和每一个训练点求欧氏距离