大型室内无线定位指纹匹配.pptVIP

大型室内无线定位指纹匹配算法研究; 目录; 绪论; 绪论;相关工作 K-means算法作为一种经典的聚类算法，广泛应用于 多种领域中。但它也存在一些问题，针对这些问题，已有 多种方法可以解决。 主要改进方向有初始点的选取、k值的确定、时间复杂 度的降低；还有将多种算法结合起来，比如将层次聚类和 划分聚类结合起来。;基本原理 基于位置指纹的室内定位技术的基本原理是终端将待 定位点的wifi信号名称及强度值上传给服务器，服务器在数 据库中查找与之最相近的数据记录，利用这些记录的位置 坐标计算出待定位点的坐标，将坐标返回到客户端。; 基于位置指纹的WLAN室内定位系统;系统设计 该定位系统包含客户端、服务器端和室内WLAN环境。 客户端功能：采集AP到所在点的信号强度，并上传到 服务器端；显示地图和目标位置?? 服务器端功能：接收终端上传的信息；识别并响应终 端的定位请求，并能将定位结果返回给客户端。 室内WLAN环境的功能是构建室内空间射频信号的分 布，提供位置指纹数据库的数据来源。 ; 基于位置指纹的WLAN室内定位系统; 基于位置指纹的WLAN室内定位系统;聚类分析;聚类分析; 传统k-means算法; 传统k-means算法; 传统k-means算法; 传统k-means算法; 传统k-means算法; 传统k-means算法; 分析得知，传统的k-means算法存在一些缺点或问题： （1）需要提前给定聚类个数k。（2）初始点是随机挑选的。 （3）易受噪声或孤立点数据影响。（4）容易产生局部最 优解；（5）当输入数据很多时，算法的时间复杂度会因 此变得很大。;初始点的改进 该改进算法的核心思想是计算所有点到原点的距离， 然后利用这些距离对原始数据点排序。再将排序的点均匀 分为指定个数的类，取每一类最中间的点当作初始聚类中 心。; 改进的k-means算法;（a）不同k值下的初始点改进与k-means算法的簇间距离/簇内距离比较; 改进的k-means算法;k值的改进 有人提出了一种基于最大聚类个数的k-means算法。 该算法的思想是由用户输入参数：门限dis_m，最小聚类 数k1，最大聚类数km。当数据点到聚类中心的距离超过门 限时，就增加一个以该数据点为中心的类，若增加的类的 个数超过km时，需要合并已存在的类中最相似的两个类， 使聚类个数不超过km。 令k1=10，km=25，门限设为1.7。仿真结果如下表5-2 和图5-3。 　　　;;图5-3 门限为1.7时基于最大聚类个数的k-means算法仿真结果; 改进的k-means算法; 改进的k-means算法; 改进的k-means算法; 改进的k-means算法;结论与展望;致谢;谢谢各位老师的聆听！