基于深度神经网络的WiFi室内定位算法研究

在机场、车站、养老院等场所都需要实时可靠地提供用户所在室内的位置,而当前主流的KNN、WKNN等定位算法定位耗时较长,基于层次聚类和基于K-Means聚类等聚类定位算法定位精度不高.针对以上问题,本文提出了一种基于深度神经网络的WiFi室内定位算法(DV-WKNN算法).该算法采用深度神经网络算法预测的点为离散点动态生成泰森多边形以确定定位区域,再利用位置指纹算法,通过计算环境偏差值以改进WKNN算法进行精确定位.仿真结果表明,与KNN、WKNN和基于K-Means聚类的KNN相比,DV-WKNN算法的平均位置误差分别降低了38.9％,18.9％和10.2％;最大位置误差降低了43.3％.DV-WKNN算法由于采用了泰森多边形来动态划分区域,减少了全局遍历时间,提高了定位效率;利用深度神经网络算法加强了非线性学习能力,因此本文的算法在不同的定位环境中皆具有良好的性能.