适合初学者学习位置指纹定位，带数据（测试点坐标和RSSI值），KNN算法，参数可以手动调节，6个AP，100组测试点和指纹数据，图片对比清晰，输出算法平均精度，适合想学习定位算法的初学者和改进算法的学者进行研究改进。

针对传统WLAN指纹定位算法中存在的定位精度低、稳定性差、实时性不高等问题，提出一种基于CMAES-SVR的WLAN室内定位算法。该算法首先对接入点（AP）的接收信号强度（RSS）进行统计分析，采用高斯滤波对信号进行预处理，然后利用K-means聚类算法将原始指纹数据库中的定位区域进行聚类分块；其次采用协方差矩阵自适应进化策略（CMAES）优化支持向量回归机（SVR）参数，从而建立CMAES-SVR室内定位学习模型，通过该模型分别构建各定位子区域中RSS信号与物理位置非线性映射关系；最后判断测试点所属类簇，根据该类簇中训练好的CMAES-SVR模型进行回归预测。实验结果表明，与WKNN、传统SVR以及PSO-SVR算法相比，该算法在定位精度、稳定性以及实时性方面均有所提高。

针对RSS（接收信号强度）时变性以及不同终端信号接收能力的差异性，导致WLAN位置指纹定位不稳定的问题，基于RSS空间线性相关性提出一种新颖的位置指纹定位算法。在每个参考点分别采集多组RSS样本形成特征矩阵，并构建离线位置指纹数据库。定位时，通过计算实时RSS矩阵与指纹库参考点相关性，得到最相关的k个参考点，利用二次加权质心算法计算用户的最终位置。为了有效降低信号时变性的影响，采样时进行了滤波、排序等处理，构建离线指纹数据库时尽量增加采样次数，但需要对样本进行聚合处理以适应定位相关性计算。实验结果表明，该算法在保证较高定位准确度的同时，针对不同终端有更好的定位稳定性。

NN，KNN，WKNN，贝叶斯。。可以用于毕业设计，代码可运行。

近年来，随着城域无线基础网络的发展，热点(AP)的覆盖率大幅度提高，由于定位服务需求的增加以及WiFi应用领域的扩大，WiFi定位成为一种有效的定位方式。GPS卫星定位是主要的定位方式，它需要在相对空旷、高层建筑不密集的地方获得较准确的定位，当人们处在室内或高楼林立的市区，定位精度明显降低甚至不能定位。此时，利用无处不在的WiFi网络将能够弥补GPS定位的不足。目前大多数的WiFi无线定位算法主要为：基于到达时间、到达角度、到达时间差的模型定位及基于接受信号强度(RSSI)的位置指纹定位算法，由于位置指纹算法的无线定位方式不需要已知AP的位置信息及准确的信道模型，该算法在定位性能以及可用性上具

近年来，随着城域无线基础网络的发展，热点(AP)的覆盖率大幅度提高，由于定位服务需求的增加以及WiFi应用领域的扩大，WiFi定位成为一种有效的定位方式。GPS卫星定位是最主要的定位方式，它需要在相对空旷、高层建筑不密集的地方获得较准确的定位，当人们处在室内或高楼林立的市区，定位精度明显降低甚至不能定位。此时，利用无处不在的WiFi网络将能够弥补GPS定位的不足。目前大多数的WiFi无线定位算法主要为：基于到达时间、到达角度、到达时间差的模型定位及基于接受信号强度(RSSI)的位置指纹定位算法，由于位置指纹算法的无线定位方式不需要已知AP的位置信息及准确的信道模型，该算法在定位性能以及可用性上

为提高定位效率，提出了一种基于多分布密度位置指纹、精度渐进的室内定位算法。该算法把定位区域分为多个局部区域，并设定不同分布密度的参考位置点，根据来自锚节点的接收信号强度（RSS）时间和强度分布，通过各局部区域对应的信号覆盖向量和主成分分析法（PCA）提取的稀疏指纹的特征实现层次化匹配，有效减少在线指纹匹配过程的计算量，有利于目标节点存储空间和能耗的优化。实验结果表明，提出的算法在定位精度上不逊于其他室内定位算法，并且对锚节点分布密度依赖度小。

学士论文，基于室内定位广告推荐系统，附定位实现，MATLAB支持。

一种基于位置指纹定位的K-均值聚类算法的改进.pdf

WiFi位置指纹定位方法隐私保护技术研究与实现 ，宋奇格，王健，基于位置指纹的WiFi室内定位技术被认为是当前最有前景的室内定位技术。现有的WiFi位置指纹定位系统由定位用户获取自身位置指纹信息�