一种基于特征的迭代定位方案：利用加权不相似度度量

我们提出了一种基于特征的迭代定位方案，采用一种新的加权不相似度度量，旨在减小被测或建模特征中较大误差的影响。权重由特征的位置相关标准差计算，并作为参考指纹图（RFM）的一部分存储。对运动学采集的原始数据进行空间滤波与核平滑，可在 RFM 生成阶段高效估计标准差。在定位阶段，权重控制各特征对该不相似度度量的贡献，而该度量进而量化在线测得特征集合与 RFM 中存储指纹之间的差异。变异性小的特征比较变性高的特征对估计位置贡献更大。迭代是必要的，因为变异性依赖于位置，而在估计位置时位置起初未知。利用办公室建筑内带真值的扩展实测真实 WiFi 信号强度数据，我们表明这些特征的标准差在感兴趣区域内变化显著，且既非信号强度的简单函数，也非到相应接入点距离的简单函数。这正是将经验标准差纳入 RFM 的动机。随后我们分析了带与不带位置相关加权的估计位置偏差。在当前示例中，与不使用加权不相似度度量的 kNN 相比，距真值的最大径向定位误差降低了 40%。