基于K-means和KNCN算法的室内定位方法OA

针对KNN算法中待定点的邻近参考点参数固定、定位不灵活且误差较大的问题,提出了基于K-means和KNCN算法的室内定位改进算法。通过对指纹库数据进行主特征RSSI的K-means聚类,根据阈值动态选取簇心相似度较高的多个簇类。利用主特征RSSI权重分配计算加权距离的KNCN算法,采用高斯加权距离与簇类数据进行匹配,确定未知位置。实验结果表明,改进算法与KNN和KNCN算法相比,平均定位精度分别提升了29.4%和3%;平均定位时间比KNCN算法缩短了约83.4%。