RFID定位-----模型值与传感器数据的拟合

上一篇是介绍了利用模型构建信号理想值，接下来就是对于模型值和传感器数据的拟合。
利用RFID定位中的数据匹配有两种算法可以采用，分别是KNN和ICP算法，接下来分开介绍这两种算法。
对于KNN 的简要介绍主要是参考这篇博客：
https://www.cnblogs.com/erbaodabao0611/p/7588840.html
KNN（K-Nearest Neighbor）工作原理：存在一个样本数据集合，也称为训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类对应的关系。输入没有标签的数据后，将新数据中的每个特征与样本集中数据对应的特征进行比较，提取出样本集中特征最相似数据（最近邻）的分类标签。一般来说，只选择样本数据集中前k个最相似的数据，这就是K紧邻算法中k的出处，通常k是不大于20的整数。最后选择k个最相似数据中出现次数最多的分类作为新数据的分类。

KNN算法优缺点
优点：精度高、对异常值不敏感、无数据输入假定
缺点：计算复杂度高、空间复杂度高
KNN算法matlab代码实现
实现步骤：
（1）计算距离
（2）选择距离最小的k个点
（3）排序

function  trace1=subjectRSS_KNN_position(labels,RSS,rss,k)
labels=round(labels(:, 1)/100)*100 + round(labels(:, 2)/100);
[N,M]=