文献综述（或调研报告）：
全球卫星定位服务已经成为人们日常生活中一种必不可少的通讯服务,但由于卫星距离地面遥远,信号微弱,要穿透墙壁等障碍物非常困难,导致目前的定位服务基本无法覆盖到室内。而随着生活水平的提高,人们对精确个人定位的需求越来越高,如救护人员需要确切知道伤员在哪层楼哪个房间;顾客希望在大型商场内准确找到商家甚至货品的位置;矿工在井下通过定位系统进行逃生和营救等等。本文的重点就是要实现一种实用的室内定位系统,具备成本低、功耗小、定位精度高的特点,同时要解决系统实现时可能遇到的定位范围扩展、信号优选、数据平滑等问题,为广域定位系统提供补充,实现无盲区定位。
基于Zigbee的定位系统主要分为两类：一类为基于RSSI的三角定位系统，另一类为基于RSSI指纹值的指纹定位系统。在实际应用中，三角定位系统虽然结构简单，便于搭设，且上线速度较快，但是，由于室内环境较为复杂，信号强度与距离之间呈现了极大的非相关性，严重的降低了系统的定位精度。而指纹式定位系统由于不依赖信号强度与距离之间的关系，而是在当前环境下测量信号强度进行定位，因此相较于三角定位系统有着更强的鲁棒性。
在三角定位系统中，为了提升定位精度，常见的方法是提高距离与信号强度之间的关系函数的精确度。传统的基于 ZigBee 定位采用无线信号损耗模型，受周围环境的影响比较大，现实模型根据经验值设置参数，定位精度不高；在此基础上采用曲线拟合方法拟合 RSSI 与距离之间的关系，采用 RSSI 三角形质心算法计算待测节点坐标。实验结果表明该算法提高了定位精度。
基于固定参数的无线信号传播损耗模型的定位算法,不能很好解决由于多径传播效应和环境复杂性所带来的测距误差问题.提出使用GRNN神经网络来拟合室内RSSI值与距离值之间的映射关系,得到RSSI值与距离值的映射模型,再将定位实验中实测的RSSI值作为训练好的GRNN神经网络的输入层,在输出层得到与RSSI值相对应的距离值,最后使用加权质心算法来进行待测节点的定位.该算法不仅简单而且性能良好,并且不需要额外的硬件.经过Matlab和ZigBee实验仿真验证,与路径损耗模型和基于BP神经网络的定位算法相比,所提出的算法可以提供较好的定位结果。
目前，由于人体与建筑材料等的吸收对信号强度造成时变影响，以及定位区域采样位置较多时，指纹库匹配的工作量较大，匹配度较低。基于指纹识别的定位算法可分为建立数据库阶段，即离线阶段，与定位阶段，即在现阶段两个部分。其中，在离线阶段，将在定位区域内设置固定节点，并记录移动节点所在位置与其所收到的各个固定节点的信号强度值表。由于室内环境多变，人员变化比较频繁，因此，为了获取各个固定节点的准确信号强度值，通常需要分为两步：数据采集与信号处理。通过滤波处理，可以减弱室内环境变化对信号强度的影响。
在在线阶段，一般包括两部分：求解近邻、定位结果确定。在求解距离过程中，先确定距离的度量函数。由于欧氏距离的非负性、自反性、对称性与角不等式的性质，易知其比较适合作为距离的度量函数。在确定了距离度量函数后，可以通过各种近邻算法，比如最邻近算法、加权K近邻、特定区域加权K近邻算法等。
然而，在在线阶段中，随着待定位区域的增加与定位精度的提高，采样到的数据量将成线性增长，相对应的，计算时间也会线性的增长。当其达到临界值后，将极大的影响定位速度。因此，在现阶段的定位算法需要进行优化。
在使用KNN对在现阶段的计算进行优化的过程中，使用移动节点在某一位置所收到的信号强度数据的质心来代替原先的数据组。假设移动节点与固定节点的数量分别为m与n，则：
则根据KNN算法，可以得到K个固定节点的质心：
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
