1、iBeacon定位算法

　　近鄰法是確定性匹配算法中最具代表性的一種算法，通過計算實時RSS樣本向量與數據庫中各個指紋應的RSS均值向最之間的歐式距離，得到距離最近或最相似的一個或多個指紋，再經過對選取指紋的位置坐標進行平均或加權平均得出待測點的位置。

　　1）最近鄰算法

　　最近鄰算法（Nearest Nei ghborhood，NN） 是最基本的近鄰法。由公式（1） 可計算出RSS測試樣本向量與指紋均值向量間的歐式距離;

　　式中，RSS‘ 為實時測量時第j 個AP的RSS值，RSS;’ 為在第i（i=1，2，“”，.n） 個參考點上： 來自于第j個AP的RSS均值，其值存儲在數據庫中，n為選取參考點個數，m為AP的個數。

　　NN算法返回數據庫中與實時RSS序列間歐氏距離最小的參考點位置信息相聯系，并直接將其作為用戶定位

　　結果，所以，NN法只選取最近鄰的- 一個指紋位置作為最終的定位結果將其返回，定位精度直接由最近鄰指紋的匹配情況決定，匹配算法單一絕對化，因此，穩定性較差，定位精度不高。

　　K近鄰算法吲（RK Nearest Neighborhood，KIN） 是基FNN算法的改進算法，在計算出各個參考點相對于實時RSS值的歐式距離序列后，對距離序列進行升序排列，選取距離最小的前K（K=2） 個參考點作為候選點，對其位置信息進行均值處理后即可得到用戶的最后位置坐標：

　　式中，（x，y） 為第i 個候選點所對應的： 二維位置坐標，（x，y） 為返回的用戶二維位置坐標。

　　2）加權近鄰算法

　　加權近鄰算法（Weighted Nearest Neighborhood，WKNN ）在KNN算法的基礎上對得到的候選點位置信息的處理有所不同，實際情況下，K個指紋與實測RSS信號距離的不同，則不同近鄰參考點的權重應該是不同的。WKIN算法在計算得出最近鄰的候選點后，不是計算它們的平均坐標作為最后用戶的定位結果，而是給對應的參考點坐標乘上一個歸一化加權系數：

　　式中，d，為計算得出的歐式距離，1為加權系數歸一化參數，e 為很小的正常數，以防止分母出現零的情況。加權系數與信號歐式距離成反比，因此與實時測量的RSS距離越小的候選點其位置坐標的權重越高，其計算結果更接近真實性，一定程度上提高了定位精度。

　　我們采用的加權近鄰算法與上面有所不同，是參考倒數距離加權插值方法的思想，確定權值。倒數距離加權插值，又稱“反距離加權平均”或“Shepard方法”。其思想是設有n個點，平面坐標為（x，n），重直高度為z，（i=1，2，”，n），倒數距離加權插值的插值函數

　　為

　　式中，d，.V（x-x ）‘+（-y ） 是（x，y）點到（x，y;）點的水平距離，j=1，2，“”。.p是一個大于0的常數，稱為加權冪指數。參考上述思想，采用如下算法確定權值：假設有n 個參考點，對應第i 號參考點i=1，2，“”，n的權值為w，若存在參考點i 與待定位點（x，y）的歐氏距離d;為0，則該i 參考點的權值w;=1，其他n-1個參考點的權值均為0; 若任一參考點與待定位點（x，y） 的歐氏距離均不為0，則

　　最后由x，y=ln {wX （x，y，）） 得到待定點位置。

　　2、實際的算法編程是：