室内定位学习（2）

室内定位学习（2）
可能的应用模式
1.训练时N个AP，定位时M个AP，N不等于M，此时如何获得准确的定位坐标。
基本思路：
（1）令每k个AP组合（k远远小于N）绑定成一个AP组（暂称为k节点AP组），训练得到对应的指纹，这样可以得到一系列指纹（N中组合K个），于是其核心问题转为定位时选择哪个指纹最优。
此时可以考虑引入多次实验反馈的方法计算出某组AP训练指纹的定位效果，设为其权重，在此基础上，M个AP的定位计算时，可以选择在满足当前M个AP条件的某个“k节点AP组”中权重最大的指纹。
（缺点：如果N比较小，难以选择合适的k；M个可能的定位AP状态下，当前k个AP得到的指纹不一定最优；实验反馈需要逐点进行，相对于无反馈训练工作量更大；得到的应用系统只有实验室价值，开展工程应用需要信标解决定位效果的反馈问题，成本比较高；要评价定位精度需要精确计算点坐标，不适合KNN法）
（2）对上面（1）的方法优化，引入实验反馈数据，设计算法在训练中自动组合选择kk（大等于3小等于N）个AP，生成不同权重的多个指纹。定位计算时选择当前M个AP状态下最优权重的AP组合指纹进行定位计算。
（缺点：对所有可能得到的（排列状态对应的）指纹都进行了训练和定位效果计算（权重计算），训练计算比较复杂，相对于无反馈训练工作量大，不适合KNN法。）
（3）对上面（2）的方法进一步优化，对所有当前M个AP状态下的指纹进行定位计算，得到多个坐标，然后依据权重进行KLM数据融合，理论上可以得到更高精度的定位坐标。