最小封闭圆聚类与改进WKNN：提升室内定位精度的关键技术

本研究论文探讨了一种新颖的室内定位方法，即"最小封闭圆（SEC）基于指纹的聚类和改进的加权K-最近邻（M-WKNN）匹配算法"。该技术发表于2016年国际室内定位与导航会议（IPIN），在西班牙阿尔卡拉德埃纳雷斯举行。论文的主要贡献在于提出了一种创新的定位系统，它利用最小封闭圆的概念来代替传统的接收信号强度（RSS）进行指纹数据聚类。 传统的室内定位依赖于RSS数据来确定位置，但这种方法在复杂环境中可能精度有限。论文作者通过计算最小的k个封闭圆，引入了参考点的坐标作为聚类依据，这显著提升了定位区域的精度，相比于基于RSS的聚类算法，其性能提升明显。这种方法更注重几何特征而非单一的信号强度，从而能够更好地抵抗信号干扰和多径效应。 同时，文中深入分析了无线信号在密集杂乱环境中的传输特性，针对这些特性，作者设计了一种改进的WKNN匹配算法，即M-WKNN。这个算法考虑了路径损耗模型，根据信号衰减的程度调整邻居的权重，使得匹配过程更加准确。实验证明，在中国国家大剧院的测试中，使用提出的聚类算法（相较于K均值算法）能提高30%的定位面积精度，而M-WKNN算法进一步提升了定位精度，分别优于WKNN算法11.9%和29.1%。 这篇论文在室内定位领域引入了一种更为精确和鲁棒的方法，通过最小封闭圆的聚类和优化的加权邻近算法，不仅提高了定位的准确性和稳定性，也为其他室内定位系统提供了新的理论支持和技术路线。这一研究成果对于提升无线室内定位技术在实际应用中的性能具有重要意义。