针对传统的基于WiFi的最近邻(K-nearest neighbor algorithm, WiFi-KNN)室内定位算法精确度不能达到精准定位的需求的问题，本文提出了一种基于位置范围限定的K近邻(K-nearest neighbor based on the location range limit , LRL-KNN)室内定位算法。LRL-KNN算法通过利用用户的先前位置与WiFi指纹数据库中的参考点位置之间的物理距离组成的相关范围因子来缩放指纹距离，以此来减少定位的空间歧义性。尽管利用了先前的位置，但是该算法并不需要知道用户的确切移动速度和方向。与此同时，考虑到WiFi接收信号强度的时间波动性，将RSS直方图合并到距离计算中来减小时间波动带来的影响。实验结果表明：传统KNN算法的平均定位误差为2.13 m，新算法的平均定位误差为1.80 m，该误差在相同的测试环境下比传统的KNN算法减少15%。

作者 - Sandeep Sasidharan 无线上网卡 WiFi指纹采集器 此应用程序可用于 WiFi 指纹采集。 WiFi 指纹采集对于室内导航的第一阶段至关重要。该应用程序会扫描最近的 WiFi 接入点并列出签名详细信息，包括可见 WiFi 接入点的 SSID、BSSID、MAC 地址和信号强度。 该应用程序配备了一个 SQL 数据库来处理访问点的详细信息。 纽扣： SHOW - 显示上次扫描的接入点详细信息 || PLUS - 将滚动文本视图上显示的详细信息添加到数据库 || GET - 显示存储在数据库中的详细信息 || CLR - 清除滚动文本视图 || DROP - 删除数据库中的表 || W - 执行新扫描 || ID 文本框 - 可以指定唯一 ID 来标识执行扫描的位置。 感谢致敬 桑迪普

用WiFi指纹进行地点识别使用Autoencoders和神经网络

matlab代码步骤 1.直接使用采集好的数据： 　　　　　跳过java代码的安装，直接进入matlab环境下进行数据的训练与测试，详细步骤请参照code/matlab_code/readme.txt的内容； ２．重新采集数据： 　　　　　首先需要在手机中预装APP进行数据的采集工作，详细步骤请参照code/java_code/readme.txt的内容； 　　　　　再在matlab环境下进行数据的处理与分析；

无线地图 基于Wifi指纹的室内定位。 python -m pip install -r requirements.txt

针对室内环境中指纹定位接收信号强度信息的高维时变特性以及动态目标定位误差的 累积问题，提出了一种基于梯度提升决策树与粒子滤波相结合的融合算法。该算法首先利用梯 度提升决策树算法建立的位置坐标与接收信号强度之间的非线性映射模型，对在线接收的信号 强度数据进行特征分类判别，实现位置的初步估计；随着目标的运动，进一步结合粒子滤波方 法，迭代地实现动态目标位置的精确预测；另外，将定位轨迹与实际轨迹进行对比，以验证该算 法的稳定性。实验仿真结果表明：累积分布函数在80％的百分位处，提出算法的定位精度控制 在1.19m以内，明显优于基于支持向量机、随机森林等定位算法；同时较基于梯度提升决策树 算法的定位精度提升了34.9％；所获得的定位轨迹与实际轨迹的趋势一致且趋于收敛。

为了提高基于WiFi的室内定位的精度和降低计算时间, 本文提出一种卷积神经网络(Convolutional Neural Networks, CNN)结合传统指纹库的室内定位算法. 该算法基于接收信号强度指示(Received Signal Strength Indication, RSSI)数据, 首先利用卷积神经网络模型, 根据实时输入数据预判出待测点的初步位置. 在保证了大范围预测的位置大概率正确的前提下, 再结合传统指纹库中的指纹点, 确定出精确度更高的最终预测位置. 实验结果表明, 在时效性达到要求的前提下, 累计误差在1 m以内的定位精度约有65%, 累计误差在1.5 m以内的定位精度约有85%, 且误差较为稳定.

随着WiFi网络在世界范围内的迅速普及和广泛部署。基于wiFi的室内定位技术由于成本低、易于实现受到了广泛关注。其中，基于WiFi的被动式指纹室内定位由于可直接利用现有的商业WiFi设备，且不需要待定位目标携带仼何设备。因此部署成本低、易扩展，同时还具有良好的非侵入性，故已逐渐成为室內定位技术研究者们广泛关注的热点。目前，已有基于WiFi的被动式指纹室内定位技术，如Buzzer和Pilot等，其定位过程一般可分为离线和在线两个阶段。离线阶段采集相应的信号，并存储所有参考点生成的指纹数据以构建离线指纹数据库。在线阶段则通过采用与离线阶段相同的处理方式得到待测位置的在线实测指纹，然后将其与离线指纹库中的已有指纹进行匹配，从而估计目标位置。然而，现有工作由于存在两个重要问题，导致定位的实时性和精度都不能令人满意其一，现有指纹匹配定位方式由于需要在在线阶段将实测指纹与指纹库中的所有指纹进匹配，所以计算量大从而导致定位过程的实时性较差;其二，由于离线指纹库中存在与目标当前位置相隔较远但相似的指纹，而这些指纹很可能会对指纹匹配过程造成干扰，进而导致定位误差较大。针对上述两个问题，该文结合位置指纹定位技术和距离测量算法，提出了一种新的位置指纹室内定位方法ILLFRM.该方法在在线阶段中加入了粗定位，并在进指纹匹配之前，通过粗定位来过滤离线指纹库中与目标当前位置不相关的指纹，以减少匹配过程中的计算量和避免不相干指纹的干扰，从而同时达到改善定位精度和实时性的目的。通过在空旷大厅和走廊的真实场景进行实验结果表明，该文提出的方法与Pilot和Buzzer相比，定位精度分别提高了约28%和51%.此外，由于一次匹配过程的总耗时不足200ms，因此ILLFRM可以很好地满足实时性要求。

室内定位领域的WiFi指纹数据库，包含2近万条数据，每条数据包括520个AP的RSSI值，标签包括坐标、楼栋数、楼层数、设备、实验人员等，是国外离线定位大赛使用的数据集，详细信息见附带的论文，另外下载的网址也在相关文档里。

基于两级WiFi指纹的室内危险区域监测方法