室内定位新算法：半监督仿射传播聚类与KLDA结合

"这篇论文提出了一种新的室内定位算法，结合了半监督仿射传播聚类和KLDA（Kullback-Leibler Divergence Discriminant Analysis），旨在解决在指纹库稀疏情况下的低定位精度问题。该算法利用在线阶段收集的无位置标签RSSI（Received Signal Strength Indicator）数据，通过构建局部邻域图将这些信息整合到离线指纹数据的结构中，进而使用KLDA方法提取最大特征信息，提高了定位精度。实验结果显示，该算法能显著提升定位准确性，并且在只使用离线指纹数据库的三分之二时，仍能实现与传统KNN算法使用完整数据库相当的定位精度，减少了指纹库的采集工作量。" 本文的研究聚焦于室内定位技术，尤其是在位置指纹库不充分时如何提高定位的准确度。传统的室内定位方法依赖于离线阶段收集的位置指纹库，这些指纹库通常包含了特定位置的无线信号强度信息（RSSI）。然而，当指纹库稀疏时，定位精度会受到影响。为此，论文提出了一个创新的解决方案，即结合半监督学习的仿射传播聚类和KLDA。 仿射传播聚类是一种半监督学习的聚类方法，它允许一部分未标记的数据参与到聚类过程中，从而更好地挖掘数据的内在结构。在室内定位的场景中，论文利用在线阶段收集的无标签RSSI数据，这些数据反映了环境中的无线信号变化但没有对应的具体位置信息。通过建立局部邻域图，算法可以将这些无标签的RSSI信息纳入考虑，丰富了指纹数据的结构，有助于更准确地识别和分类位置。 接着，论文引入了KLDA，这是一种基于Kullback-Leibler散度的线性判别分析方法。KLDA的主要目标是找到数据的最优投影，使得类间距离最大化，类内距离最小化。在室内定位的背景下，KLDA被用来从丰富的指纹库中提取最具区分性的特征，这些特征对于区分不同的位置至关重要。通过KLDA处理，无标签的RSSI信息得以充分利用，从而提升了定位的精度。 实验结果证实了这种新算法的有效性。在结合在线阶段的RSSI数据后，定位精度显著提高。特别地，即使指纹库只保留了原大小的三分之二，算法仍然可以达到与传统KNN（K-Nearest Neighbors）算法使用完整指纹库时相似的定位效果。这意味着在实际应用中，可以减少离线阶段的数据采集工作，降低了时间和成本，同时保持了较高的定位性能。 这篇论文提出了一种新颖且有效的室内定位策略，通过半监督学习和特征选择方法优化了位置指纹库的利用，提高了在数据稀疏条件下的定位精度。这种方法对于优化室内定位系统，特别是那些需要在有限资源下实现高精度定位的场合，具有重要的理论和实践意义。