以信号传播损耗为定位依据的定位方式使得基于Wi-Fi的位置指纹室内定位需要事先采集室内不同位置所对应的信号指纹来确定指纹特征与位置之间的关系，并构建指纹数据集。在数据集中，通过定位算法实现采样点信号（Received Signal Strength Indicator，RSSI）指纹与实测信号点之间的匹配，从而使用户能够估算其所在位置。位置指纹定位分为离线阶段和在线阶段[60]，其中，离线阶段主要是在目标环境中选取合适的采样点并构建指纹数据集，库中包括采样点坐标及其信号特征；在线阶段的工作是利用定位算法确定测量点的信号特征与指纹数据集的映射关系，通过与采样点信号特征的相关性和坐标来估算出测量点的定位结果。

由于在离线阶段选取的采样点不可能将室内空间完全覆盖，考虑到数据集大小以及在线阶段的数据匹配复杂度，高密度地选取采样点虽然能够有效提高定位精度，但会大大增加运算负荷，因此，如何均匀、适度地选取采样点，并合理有效地利用定位算法，使其能在较低密度采样点的条件下保证定位精度是指纹定位的关键。常用的定位算法有最邻近法（Nearest Neighbor，NN）、K邻近法（K-Nearest Neighbor，KNN）、加权K邻近法（Weighted K-Nearest Neighbors，KWNN）等。以下对常用定位算法进行简要介绍。

最邻近法[61]是指纹定位算法中的基础算法，其基本原理是匹配距离当前位置最近的采样点，并将该采样点的位置坐标作为定位结果。其中距离D通过定位点与采样点RSSI的差值来表示，定义如公式（5.3）：(www.daowen.com)

K邻近法[62]是在最邻近法基础上改进而成的算法，即在获得定位点RSSI信息后，与已知的采样点进行匹配，选取其中K个距离最近的采样点，通过求取这些采样点的坐标平均值来确定定位点坐标。当K=1时为最邻近法，如公式（5.5）：

以上定位算法各有特点，且在不同的环境中均有自己的定位优势。其中，最邻近法算法简单，适用于采样点密度较高的场景；K邻近法克服了依靠单一点进行定位的局限，环境适应性较强，在采样点分布均匀的环境中能获得较好的定位效果；然而K邻近法没有有效利用定位点与采样点之间的RSSI差值大小关系，对K个采样点无差别求均值，使其在采样点分布不均匀或定位点离各采样点距离差别较大的情况下定位效果不理想，而对不同距离采样点设置不同权重的加权K邻近法有效地解决了这个问题。本书即对如何设置权重进行了相关研究，以得到更合适的权重分配，最终得到更为优秀的定位结果。