秦宁宁，吴忆松，杨 乐

(1.江南大学 轻工过程先进控制教育部重点实验室，江苏 无锡 214122；2.南京航空航天大学 电磁频谱空间认知动态系统工信部重点实验室，江苏 南京 211106；3.坎特伯雷大学 电气与计算机工程系，新西兰 克赖斯特彻奇 8011)

目前，大部分室内定位方法是利用无线信号的相关特征来进行定位的，常用的技术有WiFi[1]、射频识别[2]、超宽带[3]和蓝牙[4]等。室内环境的复杂性导致无线信号在传播时容易引发多径效应，很难对不同场景下的信号变换给出精准的数学模型。由于指纹匹配方法侧重于接收信号强度(Received Signal Strength，RSS)的指纹特征，而非遍历所有信号，因此可以通过匹配待定位点与指纹点的接收信号强度分布来获取待定位点的位置。

基于近邻点求平均位置的算法是最常见的指纹定位方法之一，微软公司的雷达系统[5]中提出的信号空间中K最近邻算法(K-Nearest Neighbors，KNN)，选取待定位点与指纹库中匹配度最高的K个指纹点，以平均位置作为待定位点的位置。针对K最近邻算法因平等对待近邻点导致定位误差较大的问题，文献[6-7]引用了加权KNN算法(Weighted KNN，WKNN)，增加指纹点的欧氏信息作为权重，用体现位置相似度的加权平均替代均衡平均，提高了定位精度。但固定的K值依然无法避免选择虚假的近似指纹点参与位置估计[8]。为了解决这个问题，文献[9]引入动态K值概念，把欧氏相似度大于阈值的指纹点去除后，再求加权平均位置。

上述基于最近邻指纹点的定位算法都具有简单易行的优势，但定位精度有限。……