1、iBeacon定位算法

　　近鄰法是確定性匹配算法中最具代表性的一種算法，通過計算實時RSS樣本向量與數(shù)據(jù)庫中各個指紋應(yīng)的RSS均值向最之間的歐式距離，得到距離最近或最相似的一個或多個指紋，再經(jīng)過對選取指紋的位置坐標(biāo)進(jìn)行平均或加權(quán)平均得出待測點的位置。

　　1）最近鄰算法

　　最近鄰算法（Nearest Nei ghborhood，NN） 是最基本的近鄰法。由公式（1） 可計算出RSS測試樣本向量與指紋均值向量間的歐式距離;

　　式中，RSS‘ 為實時測量時第j 個AP的RSS值，RSS;’ 為在第i（i=1，2，“”，.n） 個參考點上： 來自于第j個AP的RSS均值，其值存儲在數(shù)據(jù)庫中，n為選取參考點個數(shù)，m為AP的個數(shù)。

　　NN算法返回數(shù)據(jù)庫中與實時RSS序列間歐氏距離最小的參考點位置信息相聯(lián)系，并直接將其作為用戶定位

　　結(jié)果，所以，NN法只選取最近鄰的- 一個指紋位置作為最終的定位結(jié)果將其返回，定位精度直接由最近鄰指紋的匹配情況決定，匹配算法單一絕對化，因此，穩(wěn)定性較差，定位精度不高。

　　K近鄰算法吲（RK Nearest Neighborhood，KIN） 是基FNN算法的改進(jìn)算法，在計算出各個參考點相對于實時RSS值的歐式距離序列后，對距離序列進(jìn)行升序排列，選取距離最小的前K（K=2） 個參考點作為候選點，對其位置信息進(jìn)行均值處理后即可得到用戶的最后位置坐標(biāo)：

　　式中，（x，y） 為第i 個候選點所對應(yīng)的： 二維位置坐標(biāo)，（x，y） 為返回的用戶二維位置坐標(biāo)。

　　2）加權(quán)近鄰算法

　　加權(quán)近鄰算法（Weighted Nearest Neighborhood，WKNN ）在KNN算法的基礎(chǔ)上對得到的候選點位置信息的處理有所不同，實際情況下，K個指紋與實測RSS信號距離的不同，則不同近鄰參考點的權(quán)重應(yīng)該是不同的。WKIN算法在計算得出最近鄰的候選點后，不是計算它們的平均坐標(biāo)作為最后用戶的定位結(jié)果，而是給對應(yīng)的參考點坐標(biāo)乘上一個歸一化加權(quán)系數(shù)：

　　式中，d，為計算得出的歐式距離，1為加權(quán)系數(shù)歸一化參數(shù)，e 為很小的正常數(shù)，以防止分母出現(xiàn)零的情況。加權(quán)系數(shù)與信號歐式距離成反比，因此與實時測量的RSS距離越小的候選點其位置坐標(biāo)的權(quán)重越高，其計算結(jié)果更接近真實性，一定程度上提高了定位精度。

　　我們采用的加權(quán)近鄰算法與上面有所不同，是參考倒數(shù)距離加權(quán)插值方法的思想，確定權(quán)值。倒數(shù)距離加權(quán)插值，又稱“反距離加權(quán)平均”或“Shepard方法”。其思想是設(shè)有n個點，平面坐標(biāo)為（x，n），重直高度為z，（i=1，2，”，n），倒數(shù)距離加權(quán)插值的插值函數(shù)

　　為

　　式中，d，.V（x-x ）‘+（-y ） 是（x，y）點到（x，y;）點的水平距離，j=1，2，“”。.p是一個大于0的常數(shù)，稱為加權(quán)冪指數(shù)。參考上述思想，采用如下算法確定權(quán)值：假設(shè)有n 個參考點，對應(yīng)第i 號參考點i=1，2，“”，n的權(quán)值為w，若存在參考點i 與待定位點（x，y）的歐氏距離d;為0，則該i 參考點的權(quán)值w;=1，其他n-1個參考點的權(quán)值均為0; 若任一參考點與待定位點（x，y） 的歐氏距離均不為0，則

　　最后由x，y=ln {wX （x，y，）） 得到待定點位置。

　　2、實際的算法編程是：