马跃欣，冯秀芳

(1.太原理工大学 信息与计算机学院，山西 晋中 030600；2.太原理工大学 软件学院，山西 晋中 030600)

0 引 言

随着无线通信技术的发展和数据处理能力的提高，室内环境下移动位置服务成为最具发展潜力的互联网增值业务之一，广泛地应用在环境监测、智慧城市及商业推荐等诸多领域[1-6]。为减少噪声对算法性能的影响，Lin等[7]将指纹向量归一化后分为3类信号特征，降低了计算复杂度；Salamah等[8]提出基于动态特征子集选择的主成分分析(principal component analysis，PCA)方法生成不相关空间，降低数据特征复杂性。为减小候选指纹搜索空间，有效提高定位算法性能，吕娜等[9]以接入点(access point，AP)为离散点生成泰森多边形对参考点指纹聚类，具有较好的普适性；张萌等[10]基于密度峰值聚类选取数据样本训练随机森林定位模型，预测误差小且性能稳定。

上述研究已取得了一定成果，但仍存在以下问题：提取的指纹特征不是最具辨识度且抗干扰性较弱；依据固定AP评估位置指纹相似性划分区域，未充分利用现有AP且指纹聚类存在奇点，灵活性有待提升[11]。为解决上述问题，本文通过分析参考点(reference point，RP)可检测AP序列的最长公共子序列衡量相似度，采用有序聚类将位置相邻且指纹特征相似的RP划分为一个子区域，通过粗定位降低计算复杂度。每个子区域内根据指纹特征分布特性选取最优尺度的核主成分分析(kernel principal component analysis，KPCA)模型提取指纹特征，提高定位精度。

1 指纹室内定位模型及相关概念

1.1 指纹室内定位算法

指纹室内定位算法可分为离线阶段和在线阶段两个阶段。……