郭燕莎

（天津職業(yè)技術(shù)師范大學(xué)信息技術(shù)工程學(xué)院，天津 300222）

室內(nèi)定位作為移動(dòng)互聯(lián)網(wǎng)發(fā)展的應(yīng)用領(lǐng)域之一，正在直接或間接地影響著人們的工作和生活。在生活中可用來(lái)監(jiān)控老人和小孩的活動(dòng)，可為殘疾人提供實(shí)時(shí)的導(dǎo)航幫助，并在危急時(shí)刻自動(dòng)求助；在購(gòu)物時(shí)可協(xié)助用戶(hù)便捷獲取需求商品的位置和信息；在困境中可及時(shí)引導(dǎo)救援人員快速解救危難者；在參觀時(shí)可為游客實(shí)時(shí)展現(xiàn)作品信息。此外，室內(nèi)定位還可應(yīng)用于醫(yī)療管理、公共事務(wù)和網(wǎng)絡(luò)安全等領(lǐng)域。室內(nèi)定位的廣闊前景吸引著國(guó)內(nèi)外眾多學(xué)者和機(jī)構(gòu)對(duì)其進(jìn)行研究和探索。超聲波[1]、紅外線[2]、射頻識(shí)別[3]、WIFI[4]、Zigbee[5]和藍(lán)牙[6]等是常用的室內(nèi)定位技術(shù)，定位精度較高，且各有優(yōu)缺點(diǎn)和適用場(chǎng)合，但共同特點(diǎn)是需預(yù)先在環(huán)境中安裝無(wú)線網(wǎng)絡(luò)或額外設(shè)備，以接收和發(fā)射信號(hào)，再按照多邊測(cè)量或指紋匹配等算法實(shí)現(xiàn)定位。前期準(zhǔn)備和后續(xù)維護(hù)工作將耗費(fèi)一定的時(shí)間以及人力、物力和財(cái)力。

利用和挖掘環(huán)境中現(xiàn)有資源進(jìn)行室內(nèi)定位已然成為學(xué)者關(guān)注的焦點(diǎn)和努力的方向。不同研究者根據(jù)具體需求和環(huán)境特征提出了單一和融合的室內(nèi)地磁定位，精度較高，可滿(mǎn)足一定的位置服務(wù)需求。Haverinen 等[7]基于地下鐵礦石引起的地磁異常，采用蒙特卡羅算法實(shí)現(xiàn)地下采礦環(huán)境定位，該技術(shù)可為基礎(chǔ)設(shè)施要求較低的地下環(huán)境提供一種高效的定位方案；申文波[8]通過(guò)改進(jìn)粒子濾波算法融合地磁指紋和慣性傳感器信息進(jìn)行室內(nèi)定位研究，實(shí)現(xiàn)了2 m的定位精度；周家鵬等[9]通過(guò)克里金插值算法，在環(huán)境中建立地磁數(shù)字基準(zhǔn)圖（地磁值模），然后利用動(dòng)態(tài)時(shí)間規(guī)整算法實(shí)現(xiàn)室內(nèi)定位，具有較高的理論和實(shí)際應(yīng)用價(jià)值；李思民等[10]在手機(jī)室內(nèi)定位系統(tǒng)中融合了PDR 和地磁指紋信息，實(shí)現(xiàn)了2 m 的定位精度；而宋宇等[11]為了進(jìn)一步提高精度，在WIFI 和PDR 組合定位的基礎(chǔ)上又融合了地磁指紋信息，使平均定位誤差降低至1.41 m；張文杰[12]采用改進(jìn)的粒子濾波算法融合RFID 和地磁指紋信息進(jìn)行室內(nèi)定位，1 m 內(nèi)的累積概率達(dá)82%。上述定位過(guò)程均使用了地磁指紋匹配，但并未考慮隨時(shí)間和外圍環(huán)境而變化的地磁特征、不同位置間某個(gè)或多個(gè)維度地磁屬性的相似性、不同位置間地磁值模的相似性等?；诘卮艌?chǎng)的室內(nèi)定位研究和應(yīng)用還有待于進(jìn)一步探索。針對(duì)目前地磁定位存在的問(wèn)題，本文首次將蟻群算法引入室內(nèi)定位的地磁指紋匹配過(guò)程，并通過(guò)實(shí)驗(yàn)測(cè)試，比較了提出的6 種思路與最近鄰算法（k-nearest neighbor，KNN），結(jié)果表明蟻群算法應(yīng)用于室內(nèi)定位是合理和可行的，且位置識(shí)別率較高。

1 蟻群算法概述

蟻群算法是受自然界真實(shí)蟻群覓食過(guò)程啟發(fā)而提出的一種群智能算法。基本思路[13]為每只螞蟻在尋找食物的過(guò)程中，可感知路徑上已存信息素的同時(shí)，也會(huì)在路徑上留下信息素；而且每個(gè)個(gè)體都是朝著信息素強(qiáng)度高的方向移動(dòng)，隨著時(shí)間推移，路徑越短信息素越強(qiáng)（因揮發(fā)少留存多），進(jìn)而吸引其他螞蟻訪問(wèn)的次數(shù)相應(yīng)增多；久而久之，整個(gè)蟻群都可找到最短路徑的食物源，此為蟻群算法的目的所在，也即問(wèn)題的最優(yōu)解。室內(nèi)定位原則是在環(huán)境中實(shí)時(shí)采集地磁屬性（測(cè)試數(shù)據(jù)），并分別與數(shù)據(jù)庫(kù)中每個(gè)位置的屬性值（訓(xùn)練數(shù)據(jù)）進(jìn)行比較，屬性越相似，其所在位置被匹配的概率就越大；測(cè)試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)間的相似度相當(dāng)于蟻群算法中的信息素，所找到的信息素最強(qiáng)的位置即為與測(cè)試數(shù)據(jù)最接近的位置。二者的相似性是在室內(nèi)定位中引用蟻群算法的直接原因。

蟻群算法已廣泛應(yīng)用在監(jiān)測(cè)網(wǎng)優(yōu)化、旅行商問(wèn)題[14]、物流配送[15]和車(chē)輛路徑規(guī)劃[16]等領(lǐng)域，并取得了顯著成果，但在室內(nèi)定位中卻鮮有文獻(xiàn)描述。本文提出的6種思路，旨在通過(guò)蟻群算法提高定位過(guò)程中的地磁指紋匹配精度。

2 蟻群算法在室內(nèi)定位中的應(yīng)用

2.1 數(shù)據(jù)采集

本研究基于某工作區(qū)域8 個(gè)工位的地磁場(chǎng)（X，Y，Z）數(shù)據(jù)進(jìn)行分析，采集數(shù)據(jù)位置如圖1 所示。該環(huán)境為典型的工作場(chǎng)所，配備有電腦、桌子、椅子、柜子和公用打印機(jī)等設(shè)施，工作時(shí)間啟用的公共設(shè)備和人員流動(dòng)可能影響環(huán)境中的地磁屬性；總覆蓋面積約6 m2，不同工位間的最大距離為2.4 m，最小距離是1 m。

圖1 采集數(shù)據(jù)位置

數(shù)據(jù)采集過(guò)程：利用自主研發(fā)的手機(jī)APP 整點(diǎn)采集數(shù)據(jù)，工作日從9 點(diǎn)—21 點(diǎn)，周末從11 點(diǎn)—16 點(diǎn)，每個(gè)工位每次收集325 條記錄，共32 d。

數(shù)據(jù)處理過(guò)程：第1～16d 樣本是訓(xùn)練數(shù)據(jù)，第17～32d 樣本為測(cè)試數(shù)據(jù)；由于直接采集的樣本波動(dòng)較大，故首先對(duì)其進(jìn)行卡爾曼濾波處理[17]，取較為穩(wěn)定的最后25 條記錄作為當(dāng)前時(shí)間點(diǎn)的訓(xùn)練數(shù)據(jù)；而測(cè)試數(shù)據(jù)則取濾波后的最后1 條記錄，實(shí)驗(yàn)中僅選用有代表性的 10 點(diǎn)（80 條記錄）、15 點(diǎn)（136 條記錄）和 21 點(diǎn)（80條記錄）的數(shù)據(jù)進(jìn)行測(cè)試、比較和分析；其中，10 點(diǎn)和15 點(diǎn)為工作時(shí)間，環(huán)境較為嘈雜，21 點(diǎn)為非工作時(shí)間，環(huán)境較為簡(jiǎn)單；每個(gè)工位的測(cè)試數(shù)據(jù)包括37 條記錄。

2.2 算法描述

本研究首次將蟻群算法引入室內(nèi)定位的地磁指紋匹配過(guò)程，并通過(guò)實(shí)驗(yàn)對(duì)提出的6 種定位思路和KNN 算法進(jìn)行了比較。

2.2.1 基于KNN算法的定位思路

比較測(cè)試數(shù)據(jù)與不同位置訓(xùn)練數(shù)據(jù)間的差異性，平均差值最小的位置即為測(cè)試數(shù)據(jù)所在位置。采用式（1）計(jì)算的歐式距離d 表示差異性程度，其值越小說(shuō)明測(cè)試數(shù)據(jù)和訓(xùn)練數(shù)據(jù)越相似；反之，差異性則越大。

式中：（x1，y1，z1）和（x2，y2，z2）分別為測(cè)試數(shù)據(jù)和訓(xùn)練數(shù)據(jù)的三維地磁屬性值。

由KNN 算法可知，與測(cè)試數(shù)據(jù)最相似或最接近的訓(xùn)練數(shù)據(jù)所在位置即為當(dāng)前測(cè)試數(shù)據(jù)的所屬位置，本算法適用于不同位置間的地磁屬性完全相異，同一位置不同時(shí)間點(diǎn)的地磁屬性基本一致。但由于地磁場(chǎng)易受環(huán)境因素影響，從而使得同一位置不同時(shí)段的屬性值可能相異，不同位置同一時(shí)段的屬性值可能相似，故室內(nèi)定位中已不能完全依賴(lài)KNN 算法進(jìn)行地磁指紋匹配。

2.2.2 基于蟻群算法的定位思路

根據(jù)特定規(guī)則選擇一個(gè)待選工位，將其地磁屬性與測(cè)試數(shù)據(jù)比較后，更新該位置信息素。每次迭代后，依據(jù)蒸發(fā)系數(shù)更新所有工位信息素，其中，信息素最大的工位即為當(dāng)次迭代的測(cè)試數(shù)據(jù)所屬位置。完成指定迭代次數(shù)后，出現(xiàn)頻率最高的工位即為測(cè)試數(shù)據(jù)的最佳位置。具體執(zhí)行步驟如下。

（1）參數(shù)設(shè)置和初始化啟發(fā)式因子

蟻群算法在地磁指紋匹配過(guò)程中的相關(guān)參數(shù)設(shè)置如表1 所示。

表1 蟻群算法在地磁指紋匹配過(guò)程中的相關(guān)參數(shù)設(shè)置

表1中：α 和 β 分別為信息素強(qiáng)度 τ 和啟發(fā)式因子 δ 在蟻群尋優(yōu)過(guò)程中的相對(duì)重要性；ρ（0 ＜ ρ ＜ 1）為尋優(yōu)路徑上留存信息素的蒸發(fā)系數(shù)；（1-ρ）為留存信息素的持久性系數(shù)[18]。

本文在初始化啟發(fā)式因子時(shí)考慮了2 種情況：①測(cè)試數(shù)據(jù)與每個(gè)工位訓(xùn)練數(shù)據(jù)第1 條記錄的歐式距離倒數(shù)作為啟發(fā)式因子；②測(cè)試數(shù)據(jù)與每個(gè)工位相同時(shí)間點(diǎn)訓(xùn)練數(shù)據(jù)第1 條記錄的歐式距離倒數(shù)作為啟發(fā)式因子。啟發(fā)式因子和距離值d 互為倒數(shù)，即測(cè)試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)的差異越小，啟發(fā)式因子越大。

（2）隨機(jī)選擇第1 個(gè)訪問(wèn)目標(biāo)和確定未訪問(wèn)位置

每只螞蟻隨機(jī)選擇一個(gè)位置作為出發(fā)點(diǎn)，也就是m 只螞蟻隨機(jī)選m 個(gè)位置作為第1 個(gè)訪問(wèn)目標(biāo)。隨后每次迭代，每只螞蟻需遍歷所有工位與測(cè)試數(shù)據(jù)比較，故應(yīng)先確定所有未訪問(wèn)工位，然后再按照規(guī)則選出下一個(gè)待訪問(wèn)目標(biāo)。

（3）選擇下一個(gè)待訪問(wèn)目標(biāo)

選擇下一個(gè)待訪問(wèn)目標(biāo)并計(jì)算測(cè)試數(shù)據(jù)與待訪問(wèn)位置訓(xùn)練數(shù)據(jù)間的歐式距離和sum。分2 種情況選擇下一個(gè)待訪問(wèn)目標(biāo)，并針對(duì)如何從待訪問(wèn)工位選擇訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)相比較，提出了6 種思路。

情況1 從未訪問(wèn)工位中隨機(jī)選擇下一個(gè)待訪問(wèn)目標(biāo)k。隨后，計(jì)算測(cè)試數(shù)據(jù)與待訪問(wèn)工位訓(xùn)練數(shù)據(jù)間的歐式距離和，選擇訓(xùn)練數(shù)據(jù)的方式為：①Loc 算法，從待選工位的訓(xùn)練數(shù)據(jù)中隨機(jī)選5 條記錄；②Loc_Time 算法，從待選工位的訓(xùn)練數(shù)據(jù)中隨機(jī)選5 條與測(cè)試數(shù)據(jù)時(shí)間點(diǎn)一致的記錄。

情況2 依據(jù)信息素強(qiáng)度和啟發(fā)式因子，計(jì)算每個(gè)未訪問(wèn)工位的狀態(tài)轉(zhuǎn)移概率Pk[18]，見(jiàn)式（2），并通過(guò)比較累積概率與生成的隨機(jī)數(shù)確定下一個(gè)待訪問(wèn)目標(biāo)k。

式中：visited（end）為最后 1 個(gè)已訪問(wèn)位置；τ（visited（end））和 τ（k）分別為最后 1 個(gè)已訪問(wèn)位置和第 k 個(gè)未訪問(wèn)位置的信息素強(qiáng)度；δ（visited（end））和 δ（k）分別為最后1 個(gè)已訪問(wèn)位置和第k 個(gè)未訪問(wèn)位置的啟發(fā)式因子。

隨后，計(jì)算測(cè)試數(shù)據(jù)與待訪問(wèn)工位訓(xùn)練數(shù)據(jù)間的歐式距離和，選擇訓(xùn)練數(shù)據(jù)的方式為：①Loc_Prob算法，從待選工位訓(xùn)練數(shù)據(jù)中隨機(jī)選5 條記錄；② Loc_Time_Prob 算法，從待選工位訓(xùn)練數(shù)據(jù)中隨機(jī)選5 條與測(cè)試數(shù)據(jù)時(shí)間點(diǎn)一致的記錄；③Loc_Prob_Diff 算法，根據(jù)待選工位在有序信息素中的順序，依據(jù)代碼的設(shè)置規(guī)則確定從訓(xùn)練數(shù)據(jù)中選的記錄數(shù)；④Loc_Time_Prob_Diff 算法，根據(jù)待選工位在有序信息素中的順序，按照同樣規(guī)則確定從訓(xùn)練數(shù)據(jù)中選幾條與測(cè)試數(shù)據(jù)時(shí)間點(diǎn)一致的記錄。

從訓(xùn)練數(shù)據(jù)中選擇記錄數(shù)的設(shè)置規(guī)則：

%order 是當(dāng)前工位在有序信息素中的順序號(hào)

%Loc_Prob_Diff 算法：num 是選定待訪問(wèn)工位訓(xùn)練數(shù)據(jù)的總記錄數(shù)

%Loc_Time_Prob_Diff 算法：num 是選定待訪問(wèn)工位訓(xùn)練數(shù)據(jù)中與

%測(cè)試數(shù)據(jù)時(shí)間點(diǎn)一致的總記錄數(shù)

if order＞=1&order ＜3

visitP=randperm（num，8）；

elseif order ＞=3&order ＜6

visitP=randperm（num，6）；

else visitP=randperm（num，4）；

（4）更新不同位置的信息素

更新當(dāng)前位置的信息素，信息素是蟻群覓食過(guò)程中彼此溝通的媒介。根據(jù)訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)間的相似度（歐式距離），更新當(dāng)前位置的信息素[3]。

式中：Δτ（k）為第k 個(gè)工位的信息素更新量。

每次迭代時(shí)，測(cè)試數(shù)據(jù)均與所有工位比較；隨后，依據(jù)相似度更新每個(gè)位置的信息素。螞蟻覓食規(guī)則：在追蹤信息素尋找食物的過(guò)程中，信息素也在不斷揮發(fā)；將此遷移到位置尋優(yōu)中，按式（4）完成所有工位的信息素更新。

將信息素強(qiáng)度按從大到小的順序排序，信息素強(qiáng)度越大，說(shuō)明測(cè)試數(shù)據(jù)越接近該位置的地磁屬性；Loc_Prob_Diff 算法和Loc_Time_Prob_Diff 算法正是根據(jù)這個(gè)排序結(jié)果，確定從訓(xùn)練數(shù)據(jù)中選擇記錄與測(cè)試數(shù)據(jù)進(jìn)行比較的。

（5）獲得測(cè)試數(shù)據(jù)的最佳位置

獲取本次迭代中信息素最大的位置：由式（3）和式（4）可知，測(cè)試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)間的差距越小（越相似），信息素強(qiáng)度則越大，故信息素強(qiáng)度最大的工位極有可能是測(cè)試數(shù)據(jù)的所屬位置。

統(tǒng)計(jì)所有迭代中出現(xiàn)次數(shù)最多的位置：每次迭代完，都可獲取到當(dāng)次迭代的最佳位置；多次迭代后，出現(xiàn)次數(shù)最多的即為測(cè)試數(shù)據(jù)所屬的最佳位置。

2.3 結(jié)果比較與分析

本研究在某工作區(qū)域采集了不連續(xù)的32d 地磁數(shù)據(jù)進(jìn)行實(shí)驗(yàn)測(cè)試，跨度較大，覆蓋較全。以下將分別從不同時(shí)間點(diǎn)的定位精度、不同工位的正確匹配數(shù)和不同算法迭代過(guò)程中識(shí)別的正確工位數(shù)3 個(gè)方面進(jìn)行分析和討論。

2.3.1 不同時(shí)間點(diǎn)的定位精度

不同算法的定位精度比較如表2 所示，其中，第2列為本文提出的6 種思路和KNN 算法的室內(nèi)定位精度，第3-5 列分別表示在10 點(diǎn)、15 點(diǎn)和21 點(diǎn)的位置識(shí)別率。從表2 可知，KNN 算法的定位精度最低；Loc、Loc_Time、Loc_Prob、Loc_Time_Prob 和 Loc_Prob_Diff算法的定位精度類(lèi)似，彼此間的差距為0.68%～2.37%；Loc_Time_Prob_Diff 算法的地磁指紋匹配過(guò)程融合了上述5 種思路的定位細(xì)節(jié)，其總體定位精度最高，可達(dá)82.77%。

表2 不同算法的定位精度比較

由于每個(gè)時(shí)間點(diǎn)測(cè)試數(shù)據(jù)包含的記錄數(shù)不同，故位置識(shí)別率的計(jì)算方式為某時(shí)間點(diǎn)的正確位置匹配數(shù)與該時(shí)間點(diǎn)測(cè)試記錄總數(shù)的比值。本文提出的6 種思路在不同時(shí)間點(diǎn)的位置識(shí)別率均高于KNN 算法。除Loc_Time_Prob 算法在21 點(diǎn)的位置識(shí)別率略高于Loc_Time_Prob_Diff 算法外，后者在定位精度和3 個(gè)時(shí)間點(diǎn)的位置識(shí)別率均高于其他算法?？傮w上，21 點(diǎn)的位置識(shí)別率最高，Loc_Time、Loc_Prob、Loc_Time_Prob和Loc_Time_Prob_Diff 算法在10 點(diǎn)的位置識(shí)別率高于 15 點(diǎn)，而 KNN、Loc 和 Loc_Prob_Diff 算法則正好相反，但差別不大。其原因是10 點(diǎn)和15 點(diǎn)屬于正常工作時(shí)間，環(huán)境中啟動(dòng)的機(jī)器設(shè)備和密集的人員流動(dòng)導(dǎo)致地磁場(chǎng)波動(dòng)較大，從而使得同一位置不同時(shí)段的地磁屬性不一致或不同位置間的地磁屬性相互干擾，造成位置匹配率降低；而21 點(diǎn)則是非工作時(shí)間，工作場(chǎng)所中僅有少量的人員活動(dòng)和設(shè)備啟動(dòng)，降低了環(huán)境對(duì)地磁場(chǎng)的影響程度，位置識(shí)別率也就相應(yīng)提升。總之，室內(nèi)的地磁屬性隨時(shí)間和環(huán)境狀態(tài)而變，導(dǎo)致室內(nèi)地磁定位精度也隨之改變。

2.3.2 不同工位的正確匹配數(shù)

測(cè)試數(shù)據(jù)中每個(gè)工位都有37 條記錄，本研究分別統(tǒng)計(jì)了不同定位算法識(shí)別每個(gè)工位的正確率?；诓煌惴ǐ@取的正確位置匹配數(shù)如表3 所示，從表3可知，工位 1（8.1%～56.8%）和工位 7（2.7%～73%）的正確匹配數(shù)最低，工位8 的正確匹配數(shù)（66.7%～73%）次之；工位2 的每條測(cè)試數(shù)據(jù)均可得到正確匹配位置（100%）；工位 3、4 和 5 的正確位置匹配數(shù)較高（89.2%～100%），而工位 6 則略低（83.8%～94.6%）。

表3 基于不同算法獲取的正確位置匹配數(shù)

KNN 算法作為典型的位置指紋匹配方法，只要不同位置間的屬性值完全相異，同一位置不同時(shí)間點(diǎn)的屬性值基本相同，KNN 算法便可精確地進(jìn)行位置識(shí)別。從表3 中可以看出，因工位2-6 的地磁屬性較為獨(dú)立，干擾較少，故KNN 算法對(duì)其識(shí)別率較高；而工位1、7 和8 的地磁屬性波動(dòng)較大，且受環(huán)境干擾多，相應(yīng)地，KNN 算法的識(shí)別率就較低，尤其是工位1 和工位7。本文提出的6 種算法不僅可以保持對(duì)易識(shí)別工位的高匹配率，同時(shí)又可提高對(duì)工位1、7 和8 的識(shí)別率。值得注意的是：Loc_Time_Prob_Diff 算法雖對(duì)工位4-6 的識(shí)別率略低于KNN 算法，但卻大幅提高了對(duì)工位1、7 和8 的位置匹配度，其識(shí)別率分別增長(zhǎng)了48.6%、67.6%和24.3%。

2.3.3 不同算法迭代過(guò)程中識(shí)別的正確工位數(shù)

不同算法迭代過(guò)程中的位置識(shí)別數(shù)如圖2 所示。較為明顯的是Loc_Time_Prob_Diff 和Loc_Prob_Diff 算法，前者從第2 次迭代開(kāi)始每次識(shí)別出的正確位置數(shù)都遠(yuǎn)超過(guò)其他算法，且自第3 次迭代后，每次的位置識(shí)別數(shù)較為穩(wěn)定（最大值：245，最小值：225）；后者在大部分迭代過(guò)程中的位置識(shí)別數(shù)均低于其他算法，且波動(dòng)較大（最大值：220，最小值：194）。其他4 種算法每次迭代時(shí)的位置識(shí)別數(shù)較為相似，且變化幅度不大（最大值：227，最小值：214）。

圖2 不同算法迭代過(guò)程中的位置識(shí)別數(shù)

3 結(jié) 論

本文提出了基于蟻群算法的6 種室內(nèi)地磁指紋匹配思路，并在某工作環(huán)境中對(duì)其和KNN 算法進(jìn)行了測(cè)試、比較和分析，得出的結(jié)論如下。

（1）當(dāng)不同位置間的屬性值差異較大，且同一位置不同時(shí)間點(diǎn)的屬性值基本一致時(shí)，KNN 算法的定位精度較高。

（2）當(dāng)不同位置間的屬性值較為相似，或同一位置不同時(shí)間點(diǎn)的屬性值受環(huán)境干擾較大時(shí)，KNN 算法失效；而本文提出的地磁指紋匹配思路既可保持對(duì)易識(shí)別位置的高匹配率，又可提高對(duì)受干擾位置的識(shí)別率。

（3）Loc_Time_Prob_Diff 算法在執(zhí)行過(guò)程中，同時(shí)考慮了每個(gè)位置在不同日期但同一時(shí)間點(diǎn)地磁屬性的相似性、不同位置具有不同的訪問(wèn)概率、與測(cè)試數(shù)據(jù)相似度不同的位置被訪問(wèn)次數(shù)也不同，從而增加了受干擾位置的被訪問(wèn)頻率，以達(dá)到提高定位精度的目的。

（4）不同時(shí)間點(diǎn)和不同位置的地磁屬性受環(huán)境干擾程度不同，定位精度也不同。一般情況下，工作時(shí)間的定位精度低于非工作時(shí)間，清凈和干凈位置（受人員流動(dòng)和外圍設(shè)備的影響較小）的定位精度較高。

地磁指紋匹配算法是室內(nèi)地磁定位的關(guān)鍵，本文提出的思路可與其他定位過(guò)程相結(jié)合進(jìn)行更深入的研究和探索，以期更好地提高定位精度和拓展應(yīng)用領(lǐng)域。