SE-WKNN（Spearman Enhanced Weighted KNN）融合结构相似性的室内定位算法

在众多指纹定位算法中，KNN 和 WKNN 是最常见的，但今天我们来聊一个“升级版”的算法 —— SE-WKNN（Spearman Enhanced WKNN）。

WKNN 是怎么定位的？（之前的博客提到过，想详细看的同学可以去主页找找）

简单来讲，普通的 WKNN（加权 K 最近邻）这么做：

1. 测量你的 RSSI 向量

2. 计算你和每个参考点之间的“欧氏距离”，越近说明越像

3. 选出最近的 K 个参考点

4. 根据距离加权平均他们的位置坐标，作为你的预测位置

看起来合理，但WKNN 只关心信号强度的“差值”，它没考虑一个问题：
如果两组信号的强弱顺序一样，只是整体偏高或偏低，它们其实也可能来自同一个位置。

 SE-WKNN 是怎么改进的？

它引入了一个概念：RSSI 信号的结构相似性
我们不仅看你和参考点之间 RSSI 差了多少，还要看你们的 强弱顺序是否一致。

这就用到了一个统计学工具：斯皮尔曼相关系数（Spearman Correlation）。

什么是斯皮尔曼相关系数？

简单理解：

• 如果你的信号强弱排序是：

  A > B > C

  而参考点的排序也是：

  A > B > C

  → 说明非常像 → 斯皮尔曼相关 ≈ 1