室内定位RSS位置指纹法-KNN代码与数据

精简的knn定位算法，包含数据集，可直接运行

load（‘data‘）;
%% 数据说明
%fingerprint_sim:   指纹数据库20m*15m 6AP
%RSS_fp:    100组测试数据的RSS
%p_true:    100组测试数据的真实位置

%% KNN算法
n = 6;%使用AP的数目，这里使用全部6个（<=n_AP）
k = 4;%KNN算法中的K，随便调一调大小，关系不大
p_KNN = 0;%存定位结果
for i=1:size（p_true）;   %按顺序分别给每一个数据定位
    [size_x size_y n_AP] = size（fingerprint_sim）;
    %计算欧氏距离
    distance = 0;
    for j=1:n
        distance = distance + （fingerprint_sim（::j）-RSS_fp（ij））.^2;%这里同时计算所有参考点，结果是一个二维矩阵
    end
    distance = sqrt（distance）;
    %将欧氏距离排序，选择k个最小的，得到位置
    d = reshape（distance1size_x*size_y）;
    [whatever index_d]=sort（d）;
    knn_x = （mod（index_d（1:k）size_x））;
    knn_y = （floor（index_d（1:k）./size_x）+1）;
    p_KNN（i1:2） = [mean（knn_x） mean（knn_y）];%k个位置求平均
end

%画一下图：蓝色的线b-o是真实路径，红星是定位算出的位置
plot（p_true（:1）p_true（:2）‘b-o‘）;
axis（[0 20 0 15]）
grid on;hold on;
plot（p_KNN（:1）p_KNN（:2）‘r*‘）;
for i=1:size（p_KNN）
    hold on;plot（[p_KNN（i1）p_true（i1）][p_KNN（i2）p_true（i2）]‘g--‘）;
end
error_KNN=sqrt（（p_true（:1）-p_KNN（:1））.^2+（p_true（:2）-p_KNN（:2））.^2）;
disp（‘KNN平均误差：‘）
disp（mean（error_KNN））;
%%
%KNN算法是最简单实用的方法
%参数k可以自己稍微调一调
%另外所谓的WKNN（求k个位置平均的时候使用加权平均），改善效果忽略不计
%除了欧氏距离，我们也可以用其他的距离（曼哈顿距离啊什么的）
%这种算法本身没有一个严格的证明来反映定位精度，所有各种参数随便调，各种细节也能随便改，相要深入研究指纹法的话去看概率方法吧。

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        1574  2015-05-30 10:29  positioning_simulation.m
     文件       10948  2015-05-30 10:06  data.mat