石河子科技总第267期中图分类号：TN92文献标识码：B文章编号：1008-0899（2023）02-0054-03随着科技发展，定位技术发展越来越快，几乎延伸到了各行各业，人们对定位要求越来越精准，仅凭借全球定位系统（GPS）的室外定位已经无法满足人们需求[1-3]。因为移动通讯设备和Wi-Fi信号的广泛覆盖，基于Wi-Fi的室内定位算法凭借其成本低、定位精度高且无需其他外设等优点，逐渐成为现阶段的研究热点之一[4]。该定位方法在定位收集信号的过程中，基于Wi-Fi的室内定位仅依靠信号接受强度指示（RSSI）就可以完成定位，但由于障碍物遮挡、环境变化等多重因素引起的时效性、多径效应等问题，RSSI信号存在误差，在极大程度上影响着室内定位的精度[5]。因此，对基于Wi-Fi的室内定位研究十分必要。1分区聚类算法1.1WAP聚类算法目前，通常可以选择在无线传感器网络（Wirelesssensornetwork，WSN）应用系统中加入移动节点的方法来实现更加灵活地完成现场监测过程，但是如何对动态过程采用具备低能耗与高精度的WSN节点进行定位是现阶段众多研究人员需要解决的问题等。AP聚类算法中以p作为节点为聚类中心的度量。由于环境、人员流动、多径效应等因素的影响，不同信号接收装置接收到RSSI信号值存在差异，仅凭借欧氏距离计算S，选取矩阵中值或者均值作为相似性度量，会导致定位结果不准确。针对上述问题，本文引入熵值法对S相似度进行优化后，对优化后的p进行加权处理，已获得更加准确的粗定位结果。熵值法用来判断指标的离散程度。将每个节点的一组RSSI值作为输入计算权重，并将得到的权重作为不同信号接收装置对该节点的影响因子。其中，针对异质特征维数同质化问题，需要将特征维数的标准化处理。首先归一化处理数据，计算正向特征维数和负向特征维数数值。正向特征维数：负向特征维数：将一组RSSI值作为输入，熵值法具体计算公式如下：基于KWAP-KNN分区聚类算法的室内定位分析（河南工业贸易职业学院，信息工程系，河南郑州市，450000）张海霞摘要针对单一聚类算法存在的多种问题，提出一种基于KWAP-KNN的分区聚类算法。首先，结合信号发射装置和实际定位环境进行区域粗划分，之后通过K-means聚类对该方法中未覆盖节点及交叉节点进行聚类，得到最新分区结果。区域划分之后，通过熵值法对仿射传播算法（WAP）中偏向参数p进行优化，以进一步提高其聚类的效率，最后通过K最近邻算法（KNN）算法得到粗定位结果。实验结果证明，区域划分后，KWAP-KNN算法得到的粗定位结果...
