《表4 数据维度对不同算法定位性能的影响》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于CSI-XGBoost的高精度WiFi室内定位算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在使用CSI数据进行室内定位时，由于每个信道的CSI包含30个子载波，因而特征维数较大，在使用机器学习方法进行指纹匹配时，由于高维数据存在稀疏性，随着数据维度的增加，两点之间的欧氏距离趋向于变大。如果单纯利用某点的训练集数据和测试集数据的“距离”作为指纹匹配的依据，很容易出现“误匹配”。表4和图14给出了KNN算法、MKNN算法、SVM算法和本文算法的定位性能的比较。可见，在使用KNN算法和基于感知概率[15]的动态加权KNN算法———MKNN时，RSSI的定位性能要优于CSI。考虑到上文提到的数据维度问题，利用主成分分析（Principal Component Analysis，PCA）法对CSI数据进行降维，将降维后的数据输入KNN和MKNN算法，KNN算法的定位性能略有提高，但仍无法满足精度要求，而MKNN的定位性能得到大幅提高，说明KNN算法更适合处理低维数据。而本文算法和SVM算法可以很好地处理高维稀疏数据，定位性能显著优于上述几种KNN算法。