CN104302000A - 基于信号接收强度指示相关性的室内定位方法 - Google Patents

Abstract

一种基于信号接收强度指示相关性的室内定位方法包括：进行信号接收强度指示的相关性变换，对所述相关性指纹数据进行相似性计算和定位匹配。本发明的技术方案可以克服众包模式下终端的差异性，保持室内定位系统的稳定性以及定位精度。

Description

基于信号接收强度指示相关性的室内定位方法

技术领域

本发明涉及室内定位技术领域，具体涉及一种基于信号接收强度指示相关性的室内定位方法。

背景技术

随着移动互联网技术的快速发展，智慧城市概念的提出和迅速普及，基于位置的服务(Location Based Service,LBS)受到越来越多的关注，在医疗保健、紧急救助、个性化信息传递等科技生活领域显示出巨大的活力。以终端为平台，基于无线局域网(Wireless Local Area Networks，WLAN)的室内定位，因其能够以纯软件的方式实现，定位系统成本低等特点，成为近年来普适计算和位置感知领域的一个研究热点。

WLAN热点服务的高覆盖率是保证精确室内外无缝定位技术实现的可能，这一点正好契合智慧城市无线网络全覆盖的需求，同时大型的超市，卖场WLAN热点的覆盖率也正在逐步上升。基于WLAN的室内定位技术关键点在于构建指纹数据库，传统的构造方式需要专门训练的专家以及专业的设备，花费大量人力物力。因此，众包模式被引入到指纹数据库的构建过程中，即普通使用室内定位服务的潜在用户使用自有终端完成指纹数据采集的一部分，这样指纹数据库的构建被分解为若干子任务。由此，众包模式解决了指纹数据库采集工作量大的问题。随之而来，由于终端的差异性问题，使得指纹数据差异性显著，降低了定位精度。

因此如何克服众包模式下终端的差异性，保持室内定位系统的稳定性以及定位精度引起了广大研究人员的重点关注，成为目前亟待解决的问题之一。

发明内容

本发明解决得技术问题是如何克服众包模式下终端的差异性，保持室内定位系统的稳定性以及定位精度。

为解决上述技术问题，本发明提供了一种基于信号接收强度指示相关性的室内定位方法，包括：

进行信号接收强度指示的相关性变换，所述相关性变换包括将待比对指纹数据中的信号接收强度指示序列扩展为信号接收强度指示相关性序列，得到相关性指纹数据；

对所述相关性指纹数据进行相似性计算，所述相似性计算包括不同指纹之间相同接入点的相似性计算以及同一指纹之间的相似性计算，得出待定位指纹数据；

定位匹配，所述定位匹配包括基于所述指纹相似性，对所述待定位指纹数据和经过聚类分析的已有指纹数据库进行聚类匹配，并基于信号接收强度指示相关性的指纹相似性获得最佳位置估计点的最近邻居，定位出位置信息。

可选的，所述将待比对指纹数据中的信号接收强度指示序列扩展为信号接收强度指示相关性序列包括：将所述信号接收强度指示序列中的每个单点的信号接收强度指示值扩展为一维向量，所述一维向量包括同一指纹信号接收强度指示序列中低于当前信号接收强度指示门限值的信号接收强度指示值及其对应的接入点信息。

可选的，所述将所述信号接收强度指示序列中的每个单点的信号接收强度指示值扩展为一维向量包括：对任一点信号接收强度指示值进行相关性扩展，对于指纹F_i的信号接收强度指示序列中的RSSI_j，在s_i查找低于预定门限值δ(请发明人补充门限值的取值范围)的信号接收强度指示子序列，并记录对应的接入点信息，得到信号接收强度指示的相关序列即其中为该相关序列的锚节点，为相关序列中的差异部分；基于信号接收强度指示相关序列，重新构造相关性指纹数据得出

可选的，所述不同指纹之间相同接入点的相似性计算以及同一指纹之间的相似性计算包括：将信号接收强度指示之间的相关性进行量化，得出接入点相似性和指纹相似性，并基于所述指纹相似性，对已有指纹数据库进行聚类分析。

可选的，所述将信号接收强度指示之间的相关性进行量化包括：搜索差异性组合并计算差异度，对于待比对指纹数据和相关性指纹数据相关性序列且若锚节点 ${\mathrm{RSSI}}_i^m.\mathrm{BSSID}={\mathrm{RSSI}}_j^n.\mathrm{BSSID},$ 则在和的相关性序列中，找到所有的组合满足条件：计算 分别于锚节点的差异度: ${\mathrm{\Δ}}_{p,i}^m={\mathrm{RSSI}}_p^m-{\mathrm{RSSI}}_i^m,{\mathrm{\Δ}}_{q,j}^n={\mathrm{RSSI}}_q^n-{\mathrm{RSSI}}_j^n;$ 所述得出接入点相似性和指纹相似性包括：计算和的AP相似性计算待比对指纹数据和相关性指纹数据的指纹相似性所述基于所述指纹相似性，对已有指纹数据库进行聚类分析包括：基于得到的所述指纹相似性Sim^m,n获得聚类分析中的相似性矩阵对指纹数据库进行聚类分析得到指纹聚类集合：{C_m:F_i|F₁,F₂,…,F_N,i∈(1,N)}，其中F_i为簇头。

可选的，所述对所述待定位指纹数据和经过聚类分析的已有指纹数据库进行聚类匹配包括：

聚类匹配，基于所述的指纹相似性计算方法计算待定位指纹F_o与每个聚类簇头指纹之间的相似性Sim^o,m,F_m∈C_m。根据相似性排序得到最优的M个匹配类{C₁,C₂,…,C_M}；

所述基于信号接收强度指示相关性的指纹相似性获得最佳位置估计点的最近邻居包括：

最近邻居位置估计，由得到的所述匹配类{C₁,C₂,…,C_M}，计算待定位指纹与上述M各聚类中的指纹之间的相似性，选取最小的K个指纹得出位置估计： $(\hat{x},\hat{y})=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}(x_i,y_i).$

可选的，所述的基于信号接收强度指示相关性的室内定位方法还包括：进行所述定位匹配之前，建立所述已有指纹数据库。

与现有技术相比，本发明具有以下优点：

本发明的技术方案适用于室内定位众包模式场景，对信号接收强度指示相关性的定义及其量化过程，以及基于此相关性指纹之间对应接入点相似性和指纹相似性的计算过程，提高了数据精度。同时还涉及该精确的信号接收强度指示相关性与基于聚类的室内定位算法的融合，具体为匹配类查询以及最佳估计点的最近邻居搜寻过程，提高了定位精度。基于精确的信号接收强度指示相关性给出的指纹数据库构造方法以及定位算法，有效地克服中包模式下终端差异性问题，给出了众包模式下多种类终端共存复杂环境中维持定位系统稳定性以及精度的解决方案。

通过大量的计算机仿真以及实际实验证实，本发明技术方案中量化定义的精确地信号接收强度指示相关性重新给出了指纹之间相似性的计算方法，解决了众包模式下终端差异性导致的指纹相似性计算困难。面对多种不同型号终端构建的指纹库，利用该方法进行指纹数据库的构建以及在线定位过程中的聚类匹配和位置估计，能够降低指纹采集的成本以及复杂度，同时维持了基于WLAN的室内定位系统的稳定性以及定位精度。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明实施例提供的基于信号接收强度指示相关性的室内定位方法的流程图；

图2是本发明实施例提供的采用基于信号接收强度指示相关性用于众包模式下的室内定位方法的总体架构图；

图3是本发明实施例提供的不同种类终端同一位置点信号接收强度指示差异性示意图；

图4是本发明实施例提供的转换为信号接收强度指示相对关系序列后的指纹结构图；

图5是本发明实施例提供的具体实例中在不同门限制δ下采用不同种类的终端采集指纹后进行信号接收强度指示相对关系变化后结构的相似度比较示意图；

图6是本发明实施例提供的具体实例中在不同门限制δ下采用不同种类的终端采集指纹后进行信号接收强度指示相对关系变化后定位误差分布之间的比较示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

本发明针对现有技术的不足，提出了一种基于信号接收强度指示相关性的新型室内定位算法，即精确的信号接收强度指示相关性定位方法(Refined信号接收强度指示Relative Relationship,RE3)。该方法适用于室内定位众包模式场景中。此方法包括新型信号接收强度指示相关性的定义及其量化过程，以及基于此相关性指纹之间对应WLAN AP(Access Point,接入点)相似性和指纹相似性的计算过程。同时此方法还涉及该精确的信号接收强度指示相关性与基于聚类的室内定位算法的融合，具体为匹配类查询以及最佳估计点的最近邻居搜寻过程。基于精确的信号接收强度指示相关性给出的指纹数据库构造方法以及定位算法，有效地克服中包模式下终端差异性问题，给出了众包模式下多种类终端共存复杂环境中维持定位系统稳定性以及精度的解决方案。

经对现有技术的文献检索发现，Sungwon Yang和PralavDessai于2013年在INFOCOM(International Conference on Computer Communications)发表了“FreeLoc:Calibration-Free CrowdsourcedIndoorLocalization”(2013年IEEE组织在通信网络领域的会议，《自由定位：免校验的用于众包的室内定位技术》)，提出了利用信号接收强度指示(Receive Signal Strength Indicator,接收信号强度指示)的差异性来克服众包模式下终端差异性问题。然而此方法只是对信号接收强度指示序列进行了相关性扩展，并没有实际给出信号接收强度指示相关性的量化指标，限制了其与具体定位算法结合进而构造完整定位系统的可能。

为解决上述问题，本发明技术方案提出了一种基于信号接收强度指示相关性的室内定位方法，图1是本发明实施例提供的基于信号接收强度指示相关性的室内定位方法的流程图，下面结合图1详细说明。

所述基于信号接收强度指示相关性的室内定位方法包括：

步骤S1，进行信号接收强度指示的相关性变换，所述相关性变换包括将待比对指纹数据中的信号接收强度指示序列扩展为信号接收强度指示相关性序列，得到相关性指纹数据；

步骤S2，对所述相关性指纹数据进行相似性计算，所述相似性计算包括不同指纹之间相同接入点的相似性计算以及同一指纹之间的相似性计算，得出待定位指纹数据；

步骤S3，定位匹配，所述定位匹配包括基于所述指纹相似性，对所述待定位指纹数据和经过聚类分析的已有指纹数据库进行聚类匹配，并基于信号接收强度指示相关性的指纹相似性获得最佳位置估计点的最近邻居，定位出位置信息。

所述步骤S1中，所述将待比对指纹数据中的信号接收强度指示序列扩展为信号接收强度指示相关性序列包括：将所述信号接收强度指示序列中的每个单点的信号接收强度指示值扩展为一维向量，所述一维向量包括同一指纹信号接收强度指示序列中低于当前信号接收强度指示门限值的信号接收强度指示值及其对应的接入点信息。

具体的，所述将所述信号接收强度指示序列中的每个单点的信号接收强度指示值扩展为一维向量包括：对任一点信号接收强度指示值进行相关性扩展，对于指纹F_i的信号接收强度指示序列中的RSSI_j，在s_i查找低于预定门限值δ的信号接收强度指示子序列，并记录对应的接入点信息，得到信号接收强度指示的相关序列即其中为该相关序列的锚节点，为相关序列中的差异部分；基于信号接收强度指示相关序列，重新构造相关性指纹数据得出

所述步骤S2中，所述不同指纹之间相同接入点的相似性计算以及同一指纹之间的相似性计算包括：将信号接收强度指示之间的相关性进行量化，得出接入点相似性和指纹相似性，并基于所述指纹相似性，对已有指纹数据库进行聚类分析。

所述将信号接收强度指示之间的相关性进行量化包括：搜索差异性组合并计算差异度，对于待比对指纹数据和相关性指纹数据相关性序列若锚节点 ${\mathrm{RSSI}}_i^m.\mathrm{BSSID}={\mathrm{RSSI}}_j^n.\mathrm{BSSID},$ 则在和的相关性序列中，找到所有的组合满足条件：计算 分别于锚节点的差异度: ${\mathrm{\Δ}}_{p,i}^m={\mathrm{RSSI}}_p^m-{\mathrm{RSSI}}_i^m,{\mathrm{\Δ}}_{q,j}^n={\mathrm{RSSI}}_q^n-{\mathrm{RSSI}}_j^n;$ 所述得出接入点相似性和指纹相似性包括：计算和的AP相似性计算待比对指纹数据和相关性指纹数据的相似性所述基于所述指纹相似性，对已有指纹数据库进行聚类分析包括：基于得到的所述指纹相似性Sim^m,n获得聚类分析中的相似性矩阵对指纹数据库进行聚类分析得到指纹聚类集合：{C_m:F_i|F₁,F₂,…,F_N,i∈(1,N)}，其中F_i为簇头。

所述步骤S3中，所述对所述待定位指纹数据和经过聚类分析的已有指纹数据库进行聚类匹配包括：聚类匹配，基于所述的指纹相似性计算方法计算待定位指纹Fo与每个聚类簇头指纹之间的相似性Sim^o,m,F_m∈C_m。根据相似性排序得到最优的M个匹配类{C₁,C₂,…,C_M}。所述基于信号接收强度指示相关性的指纹相似性获得最佳位置估计点的最近邻居包括：最近邻居位置估计，由得到的所述匹配类{C₁,C₂,…,C_M}，计算待定位指纹与上述M各聚类中的指纹之间的相似性，选取最小的K个指纹得出位置估计：

所述基于信号接收强度指示相关性的室内定位方法还可以包括步骤S0，进行所述定位匹配之前，建立所述已有指纹数据库(图1中为显示)。

更为具体地，本发明举例说明，如图2所示，实施例可分为两种模式：

第一种为离线训练模式M1，如下：

离线训练模式下，依据众包模式规则，雇佣不同的普通用户，使用不同型号终端，建立目标定位区域的指纹数据库(此步骤可对应步骤S0，进行所述定位匹配之前，建立所述已有指纹数据库)。进一步地，通过在目标定为区域中预先设定的各个采样点上的指纹信息采集并记录到数据库中(可对应图1中的步骤S1)。将采集到的指纹数据中的信号接收强度指示序列变换为信号接收强度指示相对关系序列，基于此相对关系序列计算接入点(AccessPoint，AP)之间的额相似性以及指纹之间的相似性(可对应图1中的步骤S2)。最后基于指纹相似性，对由不同型号终端采集的指纹数据库进行聚类分析，将指纹库中的指纹分为不同子集(可对应图1中的步骤S3)。

第二种为在线定位模式M2，如下：

在线定位模式下，在测试位置点上，由任一型号的终端实时测量得到当前扫描到的所有WLAN热点信号强度信息，这条信息即作为待比对指纹，包含待比对指纹数据(可对应图1中的步骤S1)，通过将定位信息上传到服务器与现有的指纹数据库中各个子集的簇头指纹进行指纹相似性计算，判断出该定位指纹最有可能属于哪一个子集或是哪些子集，选出M个最有可能的指纹子集(可对应图1中的步骤S2)。

第三步，利用在第二步中得到的M个最匹配的指纹子集中的指纹针对定位信息进行匹配，匹配时采用最小邻居算法，基于RE3方法，计算传入的待定位指纹数据与指纹数据库中的参考点指纹数据之间的相似性，取出最大的K个相似性后得到相应的K个相似数据点，由K个相似数据点进行平均，得到最后的位置信息估计，完成定位过程(可对应图1中的步骤S3)。

如图2所示，基于信号接收强度指示相关性用于众包模式下的室内定位系统分为离线训练M1和在线定位模式M2。离线模式下主要工作为建立目标定位区域的指纹数据库。因为众包模式下终端的差异性问题，从而引入了本发明提出的基于信号接收强度指示相关性的新型室内定位方法(RE3)对信号接收强度指示序列进行相关性扩展，具体步骤如上文图1及实施例内容所述。该方法将信号接收强度指示绝对值转换为信号接收强度指示之间的相对关系，从而基于此重新计算AP之间的相似性以及指纹之间的相似性。本方法将信号接收强度指示之间的相对关系进行量化，从而取代传统的利用信号接收强度指示绝对值计算欧式距离从而计算指纹之间相似性的方法，因此指纹之间的相似性计算不依赖于信号接收强度指示的绝对数值，而是信号接收强度指示之间的相对关系，因此能够克服终端之间的差异性。基于信号接收强度指示相对关系重新计算指纹相似性之后，离线模式下随后对指纹数据库进行聚类分析。在线定位模式下，服务器收到待定位指纹后，基于信号接收强度指示相对关系，计算待定位指纹与聚类各个簇头之间的相似度，从而优选出匹配类，在匹配类中，进一步计算待定位指纹与数据库中指纹中的相似度，从而选出相似度最大的K个候选位置点，解算出最终的估计位置。

图3展示了在同一位置点不同设备采集的信号接收强度指示序列的差异性以及潜在的信号接收强度指示序列之间存在的相关性。如图3(横坐标表示不同接入点(AP)的ID，即不同接入点的标识，间隔为5个单位；纵坐标表示不同接入点的RSSI值，间隔为10个单位)所示，同一地点不同设备(所述不同设备为设备1，设备2和设备3)采集的信号接受强度指示序列的走向曲线形状基本相似，是具有相关性的；但是不同设备的RSSI值不同，存在差异性。

图4则具体的示意了将信号接收强度指示序列转换为信号接收强度指示相对关系序列后对于每一个位置点的指纹结构，其中RSSIli为信号接收强度指示相对关系结构，为“锚节点”，{RSSI_l1 ⁱ,RSSI_l2 ⁱ,…,RSSI_lN ⁱ}为指纹F_i中信号接收强度指示绝对数值低于超过门限值δ(门限值的取值范围是3-11)的序列。

图5是本发明实施例提供的具体实例中在不同门限制δ下采用不同种类的终端采集指纹后进行信号接收强度指示相对关系变化后结构的相似度比较示意图；图6是本发明实施例提供的具体实例中在不同门限制δ下采用不同种类的终端采集指纹后进行信号接收强度指示相对关系变化后定位误差分布之间的比较示意图。

其中，图5(横坐标表示不同种类的终端在相同区域采集信号接收强度指示指纹；纵坐标表示不同种类终端的相对关系结构的相似度)示意了采用不同种类的终端在相同区域采集信号接收强度指示指纹，经过相对关系变换之后，统计在不同的δ的取值范围下不同种类终端的相对关系结构的相似度，具体为Nexus4vs.Nexus7，Nexus4vs.NexusS，Nexus7vs.NexusS。

进一步地，图6(横坐标表示基于距离定位；纵坐标表示误差距离)示意了将不同型号的终端进行配对定位试验，得到在不同δ取值范围下的定位误差分布柱状图，所述柱状图从左至右柱状图依次具体表示为Nexus7定位Nexus7,Nexus4定位Nexus7和NexusS定位Nexus7.

图2中还示意了室内定位系统的在线模式。在线模式下，在测试位置点上，由终端实时测量得到当前扫描到的所有WLAN热点信号强度信息，这条信息即作为定位信息，通过将定位信息与现有的各个子集相匹配，判断出这条指纹最有可能属于哪一个子集或是哪些子集，然后再利用匹配选中子集中的指纹进一步估算出用户的具体位置。这样做一方面可以提高定位精度，避免与新指纹差异较大的指纹干扰定位结果，同时有效地减小了运算量，让指纹库中部分指纹而不是所有指纹参与定位运算，加快了系统响应速度。

在仿真以及实验过程中，在不同的门限制δ下，针对不同种类终端，比较了采用RE3方法以及使用传统的欧式距离方法进行定位的定位误差分布情况，如图5所示。

进一步的，使用不同的定位算法：基于欧式距离，RE3不使用聚类，RE3和聚类融合等，针对不同型号的定位终端，在多型号终端构造的指纹数据库环境下，最大定位误差差距以及90％的定位误差精度如表1所示。由表1所示，RE3和聚类融合的定位算法，在众包模式下，面对多种类终端构造的指纹数据库，定位误差差异性较其他定位算法小，说明该方法能有效对抗众包模式下终端差异性问题，同时保持了定位系统处于较高定位精度的水平。

表1

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (7)

1.一种基于信号接收强度指示相关性的室内定位方法，其特征在于，包括：

进行信号接收强度指示的相关性变换，所述相关性变换包括将待比对指纹数据中的信号接收强度指示序列扩展为信号接收强度指示相关性序列，得到相关性指纹数据；

对所述相关性指纹数据进行相似性计算，所述相似性计算包括不同指纹之间相同接入点的相似性计算以及同一指纹之间的相似性计算，得出待定位指纹数据；

定位匹配，所述定位匹配包括基于所述指纹相似性，对所述待定位指纹数据和经过聚类分析的已有指纹数据库进行聚类匹配，并基于信号接收强度指示相关性的指纹相似性获得最佳位置估计点的最近邻居，定位出位置信息。

2.如权利要求1所述的基于信号接收强度指示相关性的室内定位方法，其特征在于，所述将待比对指纹数据中的信号接收强度指示序列扩展为信号接收强度指示相关性序列包括：

将所述信号接收强度指示序列中的每个单点的信号接收强度指示值扩展为一维向量，所述一维向量包括同一指纹信号接收强度指示序列中低于当前信号接收强度指示门限值的信号接收强度指示值及其对应的接入点信息。

3.如权利要求2所述的基于信号接收强度指示相关性的室内定位方法，其特征在于，所述将所述信号接收强度指示序列中的每个单点的信号接收强度指示值扩展为一维向量包括：

对任一点信号接收强度指示值进行相关性扩展，对于指纹F_i的信号接收强度指示序列中的RSSI_j，在s_i查找低于预定门限值δ(请发明人补充门限值的取值范围)的信号接收强度指示子序列，并记录对应的接入点信息，得到信号接收强度指示的相关序列即其中为该相关序列的锚节点， $\{{\mathrm{RSSI}}_k^i,k\≠j\}$ 为相关序列中的差异部分；

基于信号接收强度指示相关序列，重新构造相关性指纹数据得出

4.如权利要求1所述的基于信号接收强度指示相关性的室内定位方法，其特征在于，所述不同指纹之间相同接入点的相似性计算以及同一指纹之间的相似性计算包括：

将信号接收强度指示之间的相关性进行量化，得出接入点相似性和指纹相似性，并基于所述指纹相似性，对已有指纹数据库进行聚类分析。

5.如权利要求4所述的基于信号接收强度指示相关性的室内定位方法，其特征在于，所述将信号接收强度指示之间的相关性进行量化包括：

搜索差异性组合并计算差异度，对于待比对指纹数据和相关性指纹数据相关性序列且若锚节点 ${\mathrm{ESSI}}_i^m.\mathrm{BSSID}={\mathrm{RSSI}}_j^n.\mathrm{BSSID},$ 则在和的相关性序列中，找到所有的组合满足条件： ${\mathrm{RSSI}}_p^m.\mathrm{BSSID}={\mathrm{BSSI}}_q^n.\mathrm{BSSID}.$ 计算RSSI_p ^m，RSSI_q ⁿ分别于锚节点的差异度: ${\mathrm{\Δ}}_{p,i}^m={\mathrm{RSSI}}_p^m-{\mathrm{RSSI}}_i^m,$ ${\mathrm{\Δ}}_{p,j}^n={\mathrm{RSSI}}_p^n-{\mathrm{RSSI}}_j^n;$

所述得出接入点相似性和指纹相似性包括：

计算和的AP相似性 ${\mathrm{Sim}}_{i,j}^{m,n}={\mathrm{Sim}}_{i,j}^{m,n}+\underset{p,q}{\mathrm{\Σ}}\{1-\frac{{\mathrm{\Δ}}_{p,i}-{\mathrm{\Δ}}_{q,j}}{{\mathrm{\Δ}}_{p,i}+{\mathrm{\Δ}}_{q,j}}\};$

计算待比对指纹数据和相关性指纹数据的指纹相似性 ${\mathrm{Sin}}^{m,n}={\mathrm{Sim}}^{m,n}+{\mathrm{Sim}}_{i,j}^{m,n};$

所述基于所述指纹相似性，对已有指纹数据库进行聚类分析包括：

基于得到的所述指纹相似性Sim^m,n获得聚类分析中的相似性矩阵对指纹数据库进行聚类分析得到指纹聚类集合：{C_m:F_i|F₁,F₂,…,F_N,i∈(1,N)}，其中F_i为簇头。

6.如权利要求1所述的基于信号接收强度指示相关性的室内定位方法，其特征在于，所述对所述待定位指纹数据和经过聚类分析的已有指纹数据库进行聚类匹配包括：

聚类匹配，基于所述的指纹相似性计算方法计算待定位指纹F_o与每个聚类簇头指纹之间的相似性Sim^o,m,F_m∈C_m。根据相似性排序得到最优的M个匹配类{C₁,C₂,…,C_M}；

所述基于信号接收强度指示相关性的指纹相似性获得最佳位置估计点的最近邻居包括：

最近邻居位置估计，由得到的所述匹配类{C₁,C₂,…,C_M}，计算待定位指纹与上述M各聚类中的指纹之间的相似性，选取最小的K个指纹得出位置估计：

$(\hat{x},\hat{y})=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}(x_i,y_i).$

7.如权利要求1所述的基于信号接收强度指示相关性的室内定位方法，其特征在于，还包括：进行所述定位匹配之前，建立所述已有指纹数据库。