为解决现有电磁大数据管理手段单一，无法充分利用电磁数据的弊端，引入分区管理的概念，采用聚类算法将电磁数据按地理属性进行分区，利用图数据库对电磁数据进行管理，将电磁聚类后的结果转化为知识图谱实体，抽取实体之间的关系，发掘电磁数据间的潜在关联。针对电磁干扰源定位难、效率低下的问题，提出了以知识图谱为基础，大数据实时处理技术为辅助的改进接收信号强度指示(RSSI)定位算法，并实验仿真了真实电磁数据下干扰源定位的过程，分析了单目标干扰源和多目标干扰源下定位的性能。实验结果表明，所提的基于知识图谱的电磁干扰源定位方法较传统RSSI 定位方法效果更显著，误差更小。

在WiFi室内定位方法中，基于接收信号强度(RSSI)离线指纹数据库的加权K最邻近点(WKNN)算法得到了深入研究，但目前的WKNN算法未考虑实测数据维度高、无效缺省数据多等特点，不利于匹配定位精确度的提高。为此，在对实测RSSI指纹向量按照由大到小进行排序的基础上，只选取大于设定RSSI阈值的有效RSSI指纹数据进行后续的匹配；按照欧式距离的统计量自适应调整K值；按照欧式距离的均值，调整高斯权重系数。实验结果表明，与未改进的WKNN算法相比，改进后的WKNN算法定位精确度更高。

针对室内可见光定位接收光功率不均匀、定位精度低等问题,提出一种自适应花授粉定量式灯源优化方案结合改进径向基函数(RBF)的神经网络接收信号强度指示(RSSI)可见光定位方法。所提方法采用自适应花授粉算法优化发射器的光照强度;通过基于改进RBF神经网络的RSSI定位方法处理接收到的均匀光信号,实现精确有效定位。利用核主成分分析K-means++(KPCA-K-means++)聚类模型对RSSI样本值进行预处理,得到最优聚类数目和聚类中心,作为隐含层神经元个数和中心值。通过遗传算法-最小均方(GA-LMS)模型对RBF神经网络参数进行寻优。仿真结果表明,在9 m×12 m×3.5 m的室内环境中,接收光功率为-28.6 dBm~-25.1 dBm,定位误差小于0.1 m。因此,所提改进后的可见光定位方法具有定位精度更高、实用性更强等优点。

节点定位技术是无线传感器网络应用的关键。针对传统质心定位算法定位精度低的问题，提出了一种基于接收信号强度指示的三维质心迭代定位算法。算法根据测距技术简化未知节点的定位参考节点，通过节点间的空间几何关系得到距离偏移系数，利用系数的最优解对质心坐标进行修正，并多次迭代更新系数以更新定位结果，直到达到迭代准则为止。仿真实验结果表明，相比于传统的质心定位算法，本文算法可提高定位精度20%~28%，能有效减少无线传感器网络三维定位的定位误差。

基于可见光通信的指纹定位,提出一种低复杂度、稀疏度自适应的压缩感知算法。首先,利用位置指纹的稀疏性,将定位问题转换为稀疏矩阵的重构问题。其次,根据重构的残差值,自适应地计算近邻值。最后,详细分析指纹采样间距、信噪比、调制带宽及发射功率对定位误差的影响,详细分析所提定位算法的时间复杂度、最优近邻值的分布、发光二极管个数及最大近邻指纹数对定位误差的影响。仿真结果表明,所提定位算法的平均计算时间低、定位误差小,当信噪比为10 dB,指纹点之间的间距为40 cm时,所提定位算法的平均定位误差为1.56 cm,显著低于现有的同类算法。