客戶端與服務端都接入Internet,通過標準的HTTP 協議通信，簡化設計的同時，也為以后Web 方式的應用留下了設計空間。

　　服務端Servlet 用于響應客戶端的請求，客戶端只需在GET 請求中提交指紋信息即可獲得定位結果。圖9 列出了客戶端從定位服務器中獲取位置信息的Java 示例代碼。其中url包含了服務器的IP 地址和RSSI 指紋信息，getConnection()方法是向服務器發出GET 請求，服務器將返回位置信息，獲得輸入流后讀出位置信息，并更新界面顯示即完成整個通信過程。由于使用HTTP 協議，實現方法簡單，適用于多種編程語言。

?

　　圖9 客戶端獲取位置信息的通信示例代碼

　　4. 定位算法

　　由于室內環境復雜，WiFi 無線信號具有較強的時變特性圖10.無線信號傳播衰減模型難以很好的表征距離與信號強度間的映射關系，本文采用基于射頻指紋匹配定位方法，它具有較好的定位魯棒性。

?

　　圖10 信號強度的時變特性

　　指紋匹配方式定位算法建立在實驗數據基礎上，它主要包括離線訓練和在線定位兩個階段，其中離線訓練階段的任務是建立射頻信號強度向量和客戶端位置間的一一對應關系，形成一個指紋庫(radio map)，定位階段則使用實時采集的信號強度向量去匹配訓練階段構建的指紋庫，從而獲得目標的位置估計。

　　現有的基于射頻指紋匹配定位方法主要包括確定型和概率型兩種。其中確定型定位算法一般在指紋庫中選擇與實時采集的射頻指紋距離最小的幾個點的質心作為目標的位置估計。確定型定位算法的計算效率較高，但精度較低。概率型定位算法一般采用貝葉斯估計理論，通過不同的似然函數，如基于核函數的似然函數，計算目標位置的后驗概率，并取后驗概率最大的位置點作為目標的最終位置估計。概率型定位算法具有較高的定位精度和定位魯棒性，但計算量相對較大。

　　本文采用快速選擇的定位算法，訓練階段指紋特征采用RSSI 均值，定位階段采用逐次累加的RSSI 均值與指紋庫匹配的方法，從而大大降低了運算的復雜度。

　　4.1. 算法描述

　　指紋特征采用每個AP 的RSSI 均值，即：

?

　　也就是，訓練階段對同一位置點采集的每個AP 的多次數據取平均，定位階段也是如此，區別在于訓練階段采集數據多，以便得到盡量多的信息，定位階段采集的數據少，減少定位延時，一定程度上提高了實時性。

　　指紋匹配采用快速選擇的方式。偽碼如下：

?

　　對每個掃描到的AP 的RSSI 值，設定一個選擇區間[RSSI-σ，RSSI+σ],σ為多次實驗的經驗值，在指紋庫中查找滿足此區間范圍的位置點，若有n 個位置點落在此區間范圍，則這些位置點分別取權值為1/n,其他的位置點則取權值為0;對所有AP 做如上處理后，選出權值最大的位置點為估計位置。如有多個位置點權值一樣，則比較信號強度距離，取最小者。

　　4.2. 算法分析

　　本文的算法是建立在RSSI 統計特性相對穩定的基礎上，從圖11 中可以看出，RSSI 值的直方圖分布與正態分布曲線近似，因此均值在一定程度上代表了RSSI 特征。這也避免了單次掃描的信號強度中某個AP 的RSSI 不穩定造成的定位結果偏差。

?

　　圖11 RSSI 的統計特性

　　時間復雜度分析：一次掃描有m 個AP,前期訓練階段有n 個位置點，則要進行m 次選擇，每次選擇遍歷n 個位置點，時間復雜度為O(m*n)，遇到權值一致的情況，要進行二次選擇，最壞情況再比較n 次，時間復雜度為O(n)，所以總的時間復雜度為O(m*n)。

　　5. 實驗

　　5.1. 實驗過程

　　實驗在計算所6 層進行，見圖12,在南北兩側走廊總共采集了24 個位置點，距離約4米，加上在645 房間，總共25 個位置點的數據。掃描周期1s,掃描次數120 次。采集數據耗時約1 小時。

?