CN106507475B - 基于EKNN的室内区域WiFi定位方法及系统 - Google Patents

Abstract

本发明公开了一种基于EKNN的室内区域WiFi定位方法及系统，所述定位方法包括以下步骤：终端扫描WiFi信号，获取接收的信号强度指示(RSSI)指纹；通过无线网络通信方式发送扫描到的RSSI指纹到服务器；划分感兴趣区域类，在服务器端建立相应的指纹库；识别目标归属的区域类，在服务器端通过集成的EKNN定位算法对目标所属区域类进行识别；输出目标所属区域类到终端，若不需精确定位，则输出目标所在的区域类；最后使用EKNN算法进行类内精确定位。本发明的特点是设计了一种基于EKNN算法的WiFi定位方法，满足室内感兴趣区域识别及精定位的需求，在区域正确识别率、定位精度和效率上的表现都有一定提升。

Description

基于EKNN的室内区域WiFi定位方法及系统

技术领域

本发明涉及通信、信号与信息处理和基于位置的服务技术领域，具体涉及一种基于EKNN的室内区域WiFi定位方法及系统。

背景技术

伴随着移动互联移动终端的快速发展，人们对定位的需求不仅只局限于户外，室内定位技术也成了研究热点，各种室内定位技术研究也取得突破性进展，其中WiFi网络技术是应用于室内定位研究领域最多的技术之一，它具有WiFi信号覆盖率高、终端用户数量庞大和传输距离远等特点，这使得WiFi定位技术在室内定位领域研究越来越多。

在各种定位技术研究中主要的方法分为三类，它们分别是到达时间法(TOA)、到达时间差法(TDOA)和到达角度法(AOA)。由于室内环境复杂、干扰因素较多和WiFi信号本身的特点等方面的因素，给基于信号传播模型的WiFi定位带来许多局限性，针对以上问题，在使用WiFi定位时最常用的定位方法是利用接收的信号强度指示(RSSI)作为指纹信息进行位置标记。目前，关于WiFi室内定位技术的方法研究已经很多，但能应用于感兴趣区域识别的很少。

发明内容

本发明的第一个目的是为了解决现有技术中的上述缺陷，提供一种基于EKNN的室内区域WiFi定位方法，该方法利用基于IEEE802.11的无线传输(WiFi)网络技术与室内指纹定位技术进行结合，通过服务器中设计的EKNN(Evidence K Nearest Neighbor，证据K近邻)算法对数据进行处理并与客户端进行通信实现室内局部区域的识别和精确定位，可实现室内感兴趣区域的识别和在正确识别的区域内精确定位，并且可以快速定位和提高定位精度。

本发明的另一个目的是为了解决现有技术中的上述缺陷，提供一种基于EKNN的室内区域WiFi定位系统。

本发明的第一个目的可以通过采取如下技术方案达到：

一种基于EKNN的室内区域WiFi定位方法，所述方法包括下列步骤：

终端扫描WiFi信号，获取RSSI指纹；

通过无线网络通信方式发送扫描到的RSSI指纹到服务器；

划分感兴趣区域类，建立相应指纹数据库；

识别目标归属的区域类，在服务器端通过集成的EKNN定位算法对目标所属区域类进行识别；

输出目标所属区域类，若定位目标不需精确定位，则输出目标所在的区域类；

使用EKNN算法进行类内精确定位。

进一步地，所述的终端扫描WiFi信号，获取RSSI指纹具体包括：

设置参考点覆盖室内区域，采集定位区域内所有的RSSI信号，在每个参考点扫描RSSI信号存入指纹数据库中，以备在定位时使用；

定位时扫描WiFi信号，获得定位目标的一组RSSI指纹，将其作为输入进行下一步定位。

进一步地，所述的通过无线网络通信方式发送扫描到的RSSI指纹到服务器具体为：

终端把扫描到的RSSI指纹进行数据封装，把WiFi信号强度值按一定的数据格式发送到服务器。

进一步地，所述的划分感兴趣区域类，建立相应指纹数据库具体包括：

根据室内实际环境，把采集到的RSSI指纹按感兴趣区域归类，建立感兴趣区域类指纹库；

获取所述感兴趣区域类的相关特征参数。

进一步地，所述的识别目标归属的区域类，在服务器端通过集成的EKNN定位算法对目标所属区域类进行识别具体包括：

选择近邻类并在类内构造近邻证据；

类别内用DS证据规则进行近邻证据的组合，通过该规则得到指派某一区域类的总的指派值；

类别间PCR5规则进行证据融合，通过该规则得到全局基本信任指派值；

把全局信任指派值转换成pignistic概率表示，根据可传递信任模型的相关理论，把基本信任指派值转化为pignistic概率，经过决策规则决策出目标归属的类别。

进一步地，所述的使用EKNN算法进行类内精确定位具体包括：

已识别类内获取最优的一组近邻点集和相应的权重集，在识别的区域类里得到对应的近邻点集及其权重集，通过选择规则去除差异大的点，得到一组最优的近邻点集及其权重集；

由加权K近邻算法精确定位，通过得到的一组最优的近邻点集及其权重集结合加权K近邻算法计算目标的精确坐标位置。

进一步地，所述的选择规则具体如下：

假设在类内K个近邻点及对应的欧式距离从小到大排序的集合为{(X₁，d₁)，(X₂，d₂)...(X_k，d_k)}，S_i表示第i个近邻点与最近点X₁的差异性：

若则计算准确位置时将第i个近邻点去掉，余下的点组成最优近邻点集，其对应的近邻点坐标及权重的集合为{(x₁ y₁ w₁),(x₂ y₂ w₂),...,(x_f y_f w_f)}。

进一步地，所述的决策规则具体如下：

1)所识别的类pignistic概率与其他类的pignistic概率差值要大于设定的阈值σ，所述阈值σ根据测量每个类的边界点的pignistic概率差值来估计；

2)当识别的类的BPA的值小于未知基本信任指派值时，则判断目标T为不能准确分类；

3)满足以上两条，判断pignistic概率值最大的类为识别的类。

进一步地，所述的指纹数据库用一个指纹图矩阵描述，所述指纹图矩阵用Ψ表示：

其中X_i，_j(i＝1，2...N，j＝1，2，...L)表示第i个参考点接收到第j个AP的RSSI时间上的平均值(单位：dBm),Ψ的每一个行向量代表一个参考点接收到L个AP的RSSI，由Ψ可知在室内一共设置了N个参考点。

本发明的另一个目的可以通过采取如下技术方案达到：

一种基于EKNN的室内区域WiFi定位系统，所述系统包括：

RSSI指纹获取模块，该模块用于终端扫描WiFi信号，获取RSSI指纹；

RSSI指纹发送模块，该模块用于通过无线网络通信方式发送扫描到的RSSI指纹到服务器；

指纹分类模块，该模块用于划分感兴趣区域类，建立相应指纹数据库；

识别目标所属类模块，该模块用于识别目标归属的区域类，在服务器端通过集成的EKNN定位算法对目标所属区域类进行识别；

区域类定位模块，该模块用于输出目标所属区域类，若定位目标不需精确定位，则输出目标所在的区域类；

类内精确定位模块，该模块用于使用EKNN算法进行类内精确定位。

本发明相对于现有技术具有如下的优点及效果：

(1)本发明提出的基于EKNN的室内区域WiFi定位方法有效减少因室内环境比较复杂而造成的多径效应和其他信号等干扰的影响；

(2)本发明提出的基于EKNN的室内区域WiFi定位方法充分利用了WiFi信号覆盖率高、基础设备部署比较完善和传输距离远的优势；

(3)本发明提出的基于EKNN的室内区域WiFi定位方法结合EKNN算法，有效解决室内感兴趣区域定位的需求问题，与常用的K近邻(KNN)、加权K近邻(WKNN)和支持向量机(SVM)等算法不同的是该算法有效地将感兴趣区域识别和区域内精确定位结合。

(4)本发明采用基于EKNN算法对感兴趣区域WiFi定位方法与基于其他算法的WiFi定位方法相比，由于EKNN算法中用到了证据理论的分类判别算法，它有效地解决了不确定信息处理问题，所以识别率可以达到90％；在定位运行时间上，由于精确定位时所需要匹配的指纹数量缩小到了已识别的感兴趣区域内，所以本方法的定位效率相比于基于全局指纹匹配算法的定位方法要高；在定位精度上，相比于比较成熟的KNN算法和WKNN算法，EKNN算法由于在精确定位时，选择了最优的近邻点及相应权重集定位，所以定位精度更高，定位误差可以保持在1～2m。

附图说明

图1是本发明提出的室内区域WiFi定位方法的流程图；

图2是本发明针对室内区域定位需求而提出的EKNN定位算法的流程图；

图3是本发明提出的基于EKNN的室内区域WiFi定位系统的结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

定位技术的不断发展，应用环境也越来越多元化，本实施例是针对室内范围比较大但只对其中分散的多个局部区域有定位需求设计了一种基于EKNN(Evidence K NearestNeighbor，基于证据K近邻)算法的定位方法。引用图像识别技术里的概念，把需要定位的局部区域称为感兴趣区域，由于RSSI指纹信息与室内位置是一一对应的，所以根据感兴趣区域可以建立包含在该区域内指纹数据库作为一个要识别的类别。利用证据理论构造K近邻证据，并通过Dempster-Shafer(DS)规则进行证据组合和第5条比例冲突分配规则(Proportional Conflict Redistribute No.5 Rules，PCR5)进行证据融合来判断目标属于哪一类，然后根据需要，结合改进的加权K近邻算法把目标的精确位置计算出来，简单来说就是利用设计的EKNN算法就是把目标位置从这些类别正确识别出来并在类内进行精确定位。

关于WiFi室内定位技术的方法研究已经很多，但能应用于感兴趣区域识别的很少，这里设计的基于EKNN算法的室内定位方法就适用于以上情况。

S1、终端扫描WiFi信号，获取RSSI指纹；

具体应用中，该步骤S1具体为：

采集定位区域内所有的RSSI信号，以便在服务器建立指纹数据库，设置无线访问接入点(AP)，使得感兴趣区域被WiFi信号全覆盖。理论上在室内每一个位置上接收到不同AP的RSSI是唯一的，这就可以将该位置的RSSI信号作为一个指纹进行标记。在室内定位区域设置好参考点，把在所有参考点采集的指纹综合存储可以建立一个全局的指纹数据库，根据RSSI的空间特性可以将指纹数据库用一个指纹图(Radio Map)描述，下面用Ψ表示：

在指纹图Ψ矩阵中x_i，j,(i＝1，2...N，j＝1，2，...L)表示第i个参考点接收到第j个AP的RSSI时间上的平均值(单位：dBm),Ψ的每一个行向量代表一个参考点接收到L个AP的RSSI，由Ψ可知在室内一共设置了N个参考点。

在定位时，终端扫描WiFi信号，获得定位目标的一组RSSI指纹，将其输入给定位算法处理。

S2、通过无线网络通信方式发送扫描到的RSSI指纹到服务器；

具体应用中，该步骤S2具体为：

终端把扫描到的RSSI指纹进行数据封装，把WiFi信号强度值按一定的数据格式发送到服务器。

S3、划分感兴趣区域类，建立相应指纹数据库；

具体应用中，该步骤S3具体为：

S301、根据室内实际情况划定感兴趣区域，把在区域内参考点采集的所有指纹信息建立一个类数据库，并用指纹图表示为一个类别，即在Ψ中选择相应的行向量组成一个新的指纹图表示为一个要识别的类，这样根据感兴趣区域多少划分相应个数类别。

S302、获取感兴趣区域类的相关特征参数，即求每一个类的中心点及中心点到边界点的最大距离，将其都表示为该类的特征，例如有一个感兴趣区域标记为类别C₁，其中心的为C₁ ^*，中心点到边界点最大距离D₁。这里通过求平均的方法求得中心点，假设C₁类别里有N₁个参考点X_ij,(i＝1，2...N₁，j＝1，2，...L)，则

C_1，j表示在类别C₁里所有参考点接收到第j个AP的RSSI时间上的平均值(单位：dBm)。

其中d_i ^*表示第i个点到中心点的距离。

S4、识别目标归属的区域类，在服务器端通过集成的EKNN定位算法对目标所属区域类进行识别；

具体应用中，所述步骤S4具体包括：

S401、选择近邻类并在类内构造近邻证据，设感兴趣区域为(m-1)个，加上不在感兴趣区域的指纹归为一类(C_m)则一共有m个类，即{C₁,C₂,...,C_m}。选择近邻类和在类内构造近邻证据通过以下步骤实现:

1)先根据感兴趣区域类的特征参数筛选出目标可能在哪些类里，假设扫描到目标的特征向量为：

T＝{RSSI₁,RSSI₂,...,RSSI_L}，于是有一下筛选规则：

首先，计算目标到第C_i类的中心点的距离：

然后，若TD_i>D_i，则说明目标不在第C_i类里，所以构造K近邻证据时不考虑C_i类里的近邻点。

最后，将满足以上条件的类筛选出来，其中不在感兴趣区域的指纹类C_m是必选类，可以设定一个近邻类最大值K_t，若满足条件的类的数量大于K_t，则通过E_i＝D_i-TD_i的值从大到小排序，选择前(K_t-1)个E_i对应的类别作为近邻类，设为{θ₁，θ₂，...,θ_Kt-1}。若满足条件的类的数量不大于K_t，则选择满足条件的类作为近邻类。

2)构造近邻证据：令C_m用θ_Kt表示，把上述步骤中的K_t个预选类包含的命题作为一个辨识框架θ，即{θ₁，θ₂，...,θ_Kt-1，θ_Kt}，在其中每个类里分别选取K个近邻点构造证据。以近邻类θ₁为例，选取目标T的K个近邻点及对应的欧式距离从小到大排序的集合为{(X₁，d₁)，(X₂，d₂)...(X_k，d_k)}，根据每个类里的每个近邻点的欧式距离映射到基本概率分配(BPA)是一个负指数函数，则可以构造K近邻证据为：

其中，m_i(θ₁)表示在近邻类别θ₁里第i个近邻点构造的证据，表示在类别θ₁下分配给未知的精确信任，ω_i表示第i个近邻证据所占权重，由以下公式确定:

S402、类别内用DS证据规则进行近邻证据的组合，通过该规则得到指派某一区域类的总的基本置信指派值，具体通过以下方式实现：

把每一个近邻类里的证据用DS规则进行组合，根据证据理论的知识，假设在辨识框架θ下，在θ_n类里有两个近邻证据m₁和m₂，都是指派θ_n类，则用DS证据组合可以按如下表示：

其中，m₁₂(θ_n)表示组合后的BPA，其值表示指派θ_n的基本信任指派值，而ф表示空集，K_c表示证据间冲突因子：

在近邻证据组合上，根据上面可知在近邻类里K_c＝0，用DS规则可以得到θ_n类的总的BPA如下:

S402、类别间PCR5规则进行证据融合，通过该规则得到全局基本信任指派值：

假设得到各个类别总的BPA的集合为{m₁,m₂,m₃,...,m_Kt}，它们分别指派不同的类别，所以在进一步进行证据组合会存在一定冲突，即组合后分配给空集的置信度较大时，则DS组合得到的结论是不可信的。为解决这个问题，这里采用PCR5规则进行类别间证据融合，原理是将冲突信息按比例精确分配给相应的命题，得到不存在冲突的证据。在DS模型下PCR5规则可以表示如下：

其中，表示X为2^θ非空焦元，m₁₂(X)对应两证据取一致的组合结果，即根据以上规则将指派各个类别的BPA进行融合，例如辨识框架为{θ₁，θ₂}，将证据m₁和m₂用PCR5规则进行融合，冲突证据的基本信任指派值为：

K₁₂＝m₁₂(θ₁∩θ₂)＝m₁·m₂

经过PCR5规则将证据融合得到：

以上就是经过PCR5规则进行证据融合后得到的全局BPA，对于辨识框架{θ₁，θ₂，...,θ_Kt-1，θ_Kt}，也是用PCR5规则把{m₁,m₂,m₃,...,m_Kt}中的冲突部分进行再分配得到每一个类的全局BPA。

S404、把全局信任指派值转换成pignistic概率表示，经过一系列规则决策出目标归属的类别，规则如下：

1)所识别的类pignistic概率与其他类的pignistic概率差值要大于设定的阈值σ，这个阈值的设定可以根据测量每个类的边界点的pignistic概率差值来估计。

2)当识别的类的BPA的值小于未知基本信任指派值时，则判断目标T为不能准确分类。

3)满足以上两条，判断pignistic概率值最大的类为识别的类。

S5、输出目标所属区域类，若定位目标不需精确定位，则输出目标所在的区域类。

S6、使用EKNN算法进行类内精确定位，所得定位结果可输出到终端显示。

具体应用中，该步骤具体包括：

S601、已识别类内获取最优的一组近邻点集和相应的权重集，在识别的区域类里得到对应的近邻点集及其权重集，通过设计的选择规则去除差异大的点，得到一组最优的近邻点集及其权重集。假设在类内K个近邻点及对应的欧式距离从小到大排序的集合为{(X₁，d₁)，(X₂，d₂)...(X_k，d_k)}，S_i表示第i个近邻点与最近点X₁的差异性：

若则计算准确位置时将第i个近邻点去掉，余下的点组成最优近邻点集，它们对应的近邻点坐标及权重的集合为{(x₁ y₁ w₁),(x₂ y₂ w₂),...,(x_f y_f w_f)}。

S602、由加权K近邻(KNN)算法精确定位，通过得到的一组最优的近邻点集及其权重集结合加权K近邻算法计算目标的精确坐标位置。

在感兴趣区域内计算出目标的位置为(x，y)。

具体应用中，本发明是针对室内感兴趣区域定位需求设计的定位算法，所以在离线准备阶段就需要建立分类指纹数据库。根据室内实际环境，把采集到的RSSI指纹按感兴趣区域归类，建立感兴趣区域类指纹库，并计算出感兴趣区域类的相关特征参数。

综上所述，本实施例采用定位方法的工作流程和EKNN算法执行流程结合的方式全面地描述实施例中定位的过程，该定位方法根据室内环境的不同，感兴趣区域的划定是一个很重要的前提过程，这样本发明设计的EKNN算法才能有效工作，本发明针对这种室内感兴趣区域定位的需求提供了一种有效的算法解决方案，该方法有效地将感兴趣区域识别和区域内精确定位结合。基于EKNN算法的感兴趣区域WiFi定位方法与基于其他算法的WiFi定位方法相比，具有以下几个优点：区域识别率可达90％以上，由于方法中用到了证据理论的分类判别算法，它有效地解决了不确定信息处理问题，所以识别率可以达到90％；在定位运行时间上，由于精确定位时所需要匹配的指纹数量缩小到了已识别的感兴趣区域内，所以本方法的定位效率相比于基于全局指纹匹配算法的定位方法要高；在定位精度上，相比于比较成熟的KNN算法和WKNN算法，EKNN算法由于在精确定位时，选择了最优的近邻点及相应权重集定位，所以定位精度更高，定位误差可以保持在1到2m。

实施例二

如附图3所述，本实施例公开了一种基于EKNN的室内区域WiFi定位系统，所述系统包括：RSSI指纹获取模块、RSSI指纹发送模块、指纹分类模块、识别目标所属类模块、区域类定位模块、类内精确定位模块。

下面具体介绍各个模块的功能：

RSSI指纹获取模块，该模块用于终端扫描WiFi信号，获取RSSI指纹。

该模块的工作流程如下：

设置参考点覆盖室内区域，采集定位区域内所有的RSSI信号，在每个参考点扫描RSSI信号存入指纹数据库中，以备在定位时使用；

定位时扫描WiFi信号，获得定位目标的一组RSSI指纹，将其作为输入进行下一步定位。

RSSI指纹发送模块，该模块用于通过无线网络通信方式发送扫描到的RSSI指纹到服务器。

该模块的工作流程如下：

终端把扫描到的RSSI指纹进行数据封装，把对应AP的信号强度按一定的数据格式发送到服务器。

指纹分类模块，该模块用于划分感兴趣区域类，建立相应指纹数据库。

该模块的工作流程如下：

根据室内实际环境，把采集到的RSSI指纹按感兴趣区域归类，建立感兴趣区域类指纹库；

获取所述感兴趣区域类的相关特征参数。

其中，所述的指纹数据库用一个指纹图矩阵描述，所述指纹图矩阵用Ψ表示：

其中x_i，j(i＝1，2...N，j＝1，2，...L)表示第i个参考点接收到第j个AP的RSSI时间上的平均值(单位：dBm),Ψ的每一个行向量代表一个参考点接收到L个AP的RSSI，由Ψ可知在室内一共设置了N个参考点。

识别目标所属类模块，该模块用于识别目标归属的区域类，在服务器端通过集成的EKNN定位算法对目标所属区域类进行识别。

该模块的的工作流程如下：

选择近邻类并在类内构造近邻证据；

类别内用DS证据规则进行近邻证据的组合，通过该规则得到指派某一区域类的总的指派值；

类别间PCR5规则进行证据融合，通过该规则得到全局基本信任指派值；

把全局信任指派值转换成pignistic概率表示，根据可传递信任模型的相关理论，把基本信任指派值转化为pignistic概率，经过决策规则决策出目标归属的类别。

其中，所述的决策规则具体如下：

1)所识别的类pignistic概率与其他类的pignistic概率差值要大于设定的阈值σ，所述阈值σ根据测量每个类的边界点的pignistic概率差值来估计；

2)当识别的类的BPA的值小于未知基本信任指派值时，则判断目标T为不能准确分类；

3)满足以上两条，判断pignistic概率值最大的类为识别的类。

区域类定位模块，该模块用于输出目标所属区域类，若定位目标不需精确定位，则输出目标所在的区域类。

类内精确定位模块，该模块用于使用EKNN算法进行类内精确定位。

该模块的的工作流程如下：

已识别类内获取最优的一组近邻点集和相应的权重集，在识别的区域类里得到对应的近邻点集及其权重集，通过选择规则去除差异大的点，得到一组最优的近邻点集及其权重集；

由加权K近邻算法精确定位，通过得到的一组最优的近邻点集及其权重集结合加权K近邻算法计算目标的精确坐标位置。

其中，所述的选择规则具体如下：

假设在类内K个近邻点及对应的欧式距离从小到大排序的集合为{(X₁，d₁)，(X₂，d₂)...(X_k，d_k)}，S_i表示第i个近邻点与最近点X₁的差异性：

若则计算准确位置时将第i个近邻点去掉，余下的点组成最优近邻点集，其对应的近邻点坐标及权重的集合为{(x₁ y₁ w₁),(x₂ y₂ w₂),...,(x_f y_f w_f)}。

值得注意的是，上述系统实施例中，所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于EKNN的室内区域WiFi定位方法，其特征在于，所述方法包括下列步骤：

终端扫描WiFi信号，获取RSSI指纹；

通过无线网络通信方式发送扫描到的RSSI指纹到服务器；

划分感兴趣区域类，建立相应指纹数据库；

识别目标归属的区域类，在服务器端通过集成的EKNN定位算法对目标所属区域类进行识别；

其中，所述的识别目标归属的区域类，在服务器端通过集成的EKNN定位算法对目标所属区域类进行识别具体包括：

选择近邻类并在类内构造近邻证据；

类别内用Dempster-Shafer证据规则进行近邻证据的组合，通过该规则得到指派某一区域类的总的指派值；

类别间第5条比例冲突分配规则进行证据融合，通过该规则得到全局基本信任指派值；

把全局信任指派值转换成pignistic概率表示，根据可传递信任模型的相关理论，把基本信任指派值转化为pignistic概率，经过决策规则决策出目标归属的类别；

输出目标所属区域类，若定位目标不需精确定位，则输出目标所在的区域类；

使用EKNN算法进行类内精确定位；

其中，所述的使用EKNN算法进行类内精确定位具体包括：

已识别类内获取最优的一组近邻点集和相应的权重集，在识别的区域类里得到对应的近邻点集及其权重集，通过选择规则去除差异大的点，得到一组最优的近邻点集及其权重集；

由加权K近邻算法精确定位，通过得到的一组最优的近邻点集及其权重集结合加权K近邻算法计算目标的精确坐标位置。

2.根据权利要求1所述的一种基于EKNN的室内区域WiFi定位方法，其特征在于，所述的终端扫描WiFi信号，获取RSSI指纹具体包括：

设置参考点覆盖室内区域，采集定位区域内所有的RSSI信号，在每个参考点扫描RSSI信号存入指纹数据库中，以备在定位时使用；

定位时扫描WiFi信号，获得定位目标的一组RSSI指纹，将其作为输入进行下一步定位。

3.根据权利要求1所述的一种基于EKNN的室内区域WiFi定位方法，其特征在于，所述的通过无线网络通信方式发送扫描到的RSSI指纹到服务器具体为：

终端把扫描到的RSSI指纹进行数据封装，把WiFi信号强度值按一定的数据格式发送到服务器。

4.根据权利要求1所述的一种基于EKNN的室内区域WiFi定位方法，其特征在于，所述的划分感兴趣区域类，建立相应指纹数据库具体包括：

根据室内实际环境，把采集到的RSSI指纹按感兴趣区域归类，建立感兴趣区域类指纹库；

获取所述感兴趣区域类的相关特征参数。

5.根据权利要求1所述的一种基于EKNN的室内区域WiFi定位方法，其特征在于，所述的选择规则具体如下：

假设在类内K个近邻点及对应的欧式距离从小到大排序的集合为{(X₁，d₁)，(X₂，d₂)...(X_k，d_k)}，S_i表示第i个近邻点与最近点X₁的差异性：

若则计算准确位置时将第i个近邻点去掉，余下的点组成最优近邻点集，其对应的近邻点坐标及权重的集合为{(x₁ y₁ w₁),(x₂ y₂w₂),...,(x_f y_f w_f)}。

6.根据权利要求1所述的一种基于EKNN的室内区域WiFi定位方法，其特征在于，所述的决策规则具体如下：

1)所识别的类pignistic概率与其他类的pignistic概率差值要大于设定的阈值σ，所述阈值σ根据测量每个类的边界点的pignistic概率差值来估计；

2)当识别的类的BPA的值小于未知基本信任指派值时，则判断目标T为不能准确分类；

3)满足以上两条，判断pignistic概率值最大的类为识别的类。

7.根据权利要求1所述的一种基于EKNN的室内区域WiFi定位方法，其特征在于，所述的指纹数据库用一个指纹图矩阵描述，所述指纹图矩阵用Ψ表示：

其中x_i，j，i＝1，2...N，j＝1，2，...L表示第i个参考点接收到第j个AP的RSSI时间上的平均值，单位：dBm,Ψ的每一个行向量代表一个参考点接收到L个AP的RSSI，由Ψ可知在室内一共设置了N个参考点。

8.一种基于EKNN的室内区域WiFi定位系统，其特征在于，所述系统包括：

RSSI指纹获取模块，该模块用于终端扫描WiFi信号，获取RSSI指纹；

RSSI指纹发送模块，该模块用于通过无线网络通信方式发送扫描到的RSSI指纹到服务器；

指纹分类模块，该模块用于划分感兴趣区域类，建立相应指纹数据库；

识别目标所属类模块，该模块用于识别目标归属的区域类，在服务器端通过集成的EKNN定位算法对目标所属区域类进行识别；

其中，所述的识别目标归属的区域类，在服务器端通过集成的EKNN定位算法对目标所属区域类进行识别具体包括：

选择近邻类并在类内构造近邻证据；

类别内用DS证据规则进行近邻证据的组合，通过该规则得到指派某一区域类的总的指派值；

类别间PCR5规则进行证据融合，通过该规则得到全局基本信任指派值；

把全局信任指派值转换成pignistic概率表示，根据可传递信任模型的相关理论，把基本信任指派值转化为pignistic概率，经过决策规则决策出目标归属的类别；

区域类定位模块，该模块用于输出目标所属区域类，若定位目标不需精确定位，则输出目标所在的区域类；

类内精确定位模块，该模块用于使用EKNN算法进行类内精确定位；其中，所述的使用EKNN算法进行类内精确定位具体包括：

已识别类内获取最优的一组近邻点集和相应的权重集，在识别的区域类里得到对应的近邻点集及其权重集，通过选择规则去除差异大的点，得到一组最优的近邻点集及其权重集；

由加权K近邻算法精确定位，通过得到的一组最优的近邻点集及其权重集结合加权K近邻算法计算目标的精确坐标位置。