Präzises Indoor-Positionierung bietet wertvolle Informationsunterstützung für die Überwachung von Patienten, die Verwaltung der Geräteplanung, die Laborsicherheit usw. Die traditionelle Indoor-Positionierungstechnologie - Fingerabdruckpositionierung - verwendet in der Regel den k-nächsten Nachbarn-Algorithmus (KNN), um mit Hilfe der Empfangssignalintensität (RSS) die nächsten N-Referenzpunkte zur Positionsvorhersage zu bestimmen. RSS ist jedoch leicht von der Umgebung gestört, was dazu führt, dass die ausgewählten Referenzpunkte nicht unbedingt die physisch nächsten Nachbarn des Benutzers sind. Darüber hinaus ist die Verwendung eines festen K-Werts keine optimale Strategie. Dieser Artikel schlägt eine Methode für die Indoor-Positionierung basierend auf dynamischen K-Nachbarn mit hoher Zugriffswahrscheinlichkeit (SAPC-DKNN) vor. Diese Methode verwendet a-priori-Wissen über den Verlust des RSS-Pfads, um die Bedeutung verschiedener Zugangspunkte zu quantifizieren, indem sie den RSS-Schwankungsbereich bewertet. Integration der Ähnlichkeit von Zugangspunktmengen innerhalb des Bereichs starker Zugangspunkte und Festlegung eines gewichteten Distanzmaßes für RSS basierend auf dem Vertrauen in starke Zugangspunkte. Darüber hinaus wird ein dynamischer K-Wert-Algorithmus basierend auf der Nachbarschaftsdichte (ND-DKA) eingeführt, der automatisch den K-Wert für jeden Testpunkt optimiert. Experimente mit 3 Datensätzen zeigen, dass diese Methode den durchschnittlichen Positionierungsfehler im Vergleich zur führenden KNN-Methode um 15,41% bis 64,74% reduziert hat

RSS-Pfadverlust; Indoor-Positionierung nach Fingerabdruck; Dynamischer K-nächster Nachbar