室內定位系列（三） 位置指紋法的實現（KNN）

位置指紋法中最常用的演算法是k最近鄰（knn）：選取與當前rss最鄰近的k個指紋的位置估計當前位置，簡單直觀有效。本文介紹knn用於定位的基本原理與具體實現（matlab、python）。

github位址，包括matlab版本和python版本

資料**說明：

匯入資料

# 匯入資料

import numpy as np
import scipy.io as scio
offline_data = scio.loadmat('offline_data_random.mat')
online_data = scio.loadmat('online_data.mat')
offline_location, offline_rss = offline_data['offline_location'], offline_data['offline_rss']
trace, rss = online_data['trace'][0:1000, :], online_data['rss'][0:1000, :]
del offline_data
del online_data

# 定位準確度

def accuracy(predictions, labels):
return np.mean(np.sqrt(np.sum((predictions - labels)**2, 1)))

# knn回歸

from sklearn import neighbors
knn_reg = neighbors.kneighborsregressor(40, weights='uniform', metric='euclidean')
predictions = knn_reg.fit(offline_rss, offline_location).predict(rss)
acc = accuracy(predictions, trace)
print "accuracy: ", acc/100, "m"

accuracy:  2.24421479398 m

# knn分類，需要把座標轉換成網格標號，**後將網格標號轉換為座標

labels = np.round(offline_location[:, 0]/100.0) * 100 + np.round(offline_location[:, 1]/100.0)
from sklearn import neighbors
knn_cls = neighbors.kneighborsclassifier(n_neighbors=40, weights='uniform', metric='euclidean')
predict_labels = knn_cls.fit(offline_rss, labels).predict(rss)
x = np.floor(predict_labels/100.0)
y = predict_labels - x * 100
predictions = np.column_stack((x, y)) * 100
acc = accuracy(predictions, trace)
print "accuracy: ", acc/100, 'm'

accuracy:  2.73213398632 m

加入資料預處理和交叉驗證

# 預處理，標準化資料(其實rss資料還算正常，不預處理應該也無所謂，特徵選擇什麼的也都不需要)

from sklearn.preprocessing import standardscaler
standard_scaler = standardscaler().fit(offline_rss)
x_train = standard_scaler.transform(offline_rss)
y_train = offline_location
x_test = standard_scaler.transform(rss)
y_test = trace

# 交叉驗證，在knn裡用來選擇最優的超引數k

from sklearn.model_selection import gridsearchcv
from sklearn import neighbors
parameters = 
knn_reg = neighbors.kneighborsregressor(weights='uniform', metric='euclidean')
clf = gridsearchcv(knn_reg, parameters)
clf.fit(offline_rss, offline_location)
scores = clf.cv_results_['mean_test_score']
k = np.argmax(scores) #選擇score最大的k

# 繪製超引數k與score的關係曲線

# 使用最優的k做knn回歸

knn_reg = neighbors.kneighborsregressor(n_neighbors=k, weights='uniform', metric='euclidean')
predictions = knn_reg.fit(offline_rss, offline_location).predict(rss)
acc = accuracy(predictions, trace)
print "accuracy: ", acc/100, "m"
accuracy:  2.22455511073 m
# 訓練資料量與accuracy

k = 29
data_num = range(100, 30000, 300)
acc = 
for i in data_num:
knn_reg = neighbors.kneighborsregressor(n_neighbors=k, weights='uniform', metric='euclidean')
predictions = knn_reg.fit(offline_rss[:i, :], offline_location[:i, :]).predict(rss)
# 繪製訓練資料量與accuracy的曲線

出處：[
				
shell 三 位置引數
執行 shell 指令碼檔案時我們可以給它傳遞一些引數，這些引數在指令碼檔案內部可以使用 n的形式來接收，例如，1 表示第乙個引數，2 表示第二個引數，依次類推 在講解變數的命名時，我們提到 變數的名字必須以字母或者下劃線開頭，不能以數字開頭 但是位置引數卻偏偏是數字，這和變數的命名規則是相悖的，所...
				
1 室內定位 三邊定位
一 藍芽簡介 1 智慧型手機一般都配備ble低功耗藍芽模組。藍芽工作在2.4ghz頻段。共有四種連線模式 活躍 呼吸 保持 休眠，功耗依次減少。自適應發射功率控制 從裝置檢測接收訊號強度時，值小於最低閾值，請求主控裝置增大發射功率。2 藍芽協議體系 1 底層模組 鏈路管理層 基帶層 藍芽射頻 2 中...
				
正規表示式總結（三） 位置
一句話 只斷言 判斷 位置，不去匹配，只定位就像 exp exp2 exp3 匹配以exp開始，以exp3結束的exp2部份。比如 b w ing b 匹配以ing結尾的單詞的前面部分 除了ing以外的部分 零寬斷言 何為斷言 斷言某個位置會出現，或不會出現某個模式，但不去匹配這個模式。當斷言不成功...