load（‘data‘）;
%%?數(shù)據(jù)說明
%fingerprint_sim:???指紋數(shù)據(jù)庫20m*15m?6AP
%RSS_fp:????100組測(cè)試數(shù)據(jù)的RSS
%p_true:????100組測(cè)試數(shù)據(jù)的真實(shí)位置

%%?KNN算法
n?=?6;%使用AP的數(shù)目，這里使用全部6個(gè)（<=n_AP）
k?=?4;%KNN算法中的K，隨便調(diào)一調(diào)大小，關(guān)系不大
p_KNN?=?0;%存定位結(jié)果
for?i=1:size（p_true）;???%按順序分別給每一個(gè)數(shù)據(jù)定位
????[size_x?size_y?n_AP]?=?size（fingerprint_sim）;
????%計(jì)算歐氏距離
????distance?=?0;
????for?j=1:n
????????distance?=?distance?+?（fingerprint_sim（::j）-RSS_fp（ij））.^2;%這里同時(shí)計(jì)算所有參考點(diǎn)，結(jié)果是一個(gè)二維矩陣
????end
????distance?=?sqrt（distance）;
????%將歐氏距離排序，選擇k個(gè)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個(gè)位置求平均
end

%畫一下圖：藍(lán)色的線b-o是真實(shí)路徑，紅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平均誤差：‘）
disp（mean（error_KNN））;
%%
%KNN算法是最簡單實(shí)用的方法
%參數(shù)k可以自己稍微調(diào)一調(diào)
%另外所謂的WKNN（求k個(gè)位置平均的時(shí)候使用加權(quán)平均），改善效果忽略不計(jì)
%除了歐氏距離，我們也可以用其他的距離（曼哈頓距離啊什么的）
%這種算法本身沒有一個(gè)嚴(yán)格的證明來反映定位精度，所有各種參數(shù)隨便調(diào)，各種細(xì)節(jié)也能隨便改，相要深入研究指紋法的話去看概率方法吧。

?屬性????????????大小?????日期????時(shí)間???名稱
-----------?---------??----------?-----??----
?????文件????????1574??2015-05-30?10:29??positioning_simulation.m
?????文件???????10948??2015-05-30?10:06??data.mat