从全局到局部：面向 Wi-Fi 指纹室内定位的聚类感知学习

Wi-Fi 指纹识别仍然是室内定位最实用的解决方案之一，然而，其性能常常受到指纹数据集的大小和异质性、强烈的接收信号强度指示器变异性以及大型多层环境中引入的模糊性的限制。这些因素显著降低了定位精度，尤其是在不考虑结构约束的情况下应用全局模型时。本文引入了一种基于聚类的方法，在定位之前对指纹数据集进行结构化。指纹使用空间或无线电特征进行分组，聚类可以在建筑或楼层级别应用。在定位阶段，基于最强接入点的聚类估计程序将未见过的指纹分配给最相关的簇。然后仅在选定的簇内进行定位，使学习模型能够在缩减且更连贯的数据子集上运行。该方法在三个公共数据集和多种机器学习模型上进行了有效性评估。结果表明，定位误差持续减少，尤其是在建筑级策略下，但代价是降低了楼层检测精度。这些结果表明，通过聚类显式地结构化数据集是一种有效且灵活的可扩展室内定位方法。