用Java实现WiFi信号室内定位：RSSI建模、指纹匹配与Android工程实践

简介：这是一套面向计算机相关专业毕业设计或课程设计场景的WiFi信号强度定位工具项目，基于Java开发Android端APK，完整呈现了通过WiFi信号强度实现位置估算的工程实现路径。压缩包共254个文件，以66个Java源码、78个XML配置与布局、61张PNG界面资源为主体，辅以Gradle构建脚本、JAR依赖及可直接安装的APK包，整体仅8.85MB，便于导入Android Studio编译和二次开发。资源已经过功能测试，可用于毕设展示、课设作业或初期立项演示；既能在真机直接运行APK查看效果，也能对照源码理解WiFi信号采集、位置计算与界面展示等完整实现思路。压缩包内含PDF与MD说明文档，可帮助快速梳理目录结构和启动步骤，降低上手门槛。目前已有300人学习/下载，对需要快速完成室内定位方向课题的学生具有较高参考价值。

1. 用 Java 实现 WiFi 信号定位，先从 RSSI 与传播模型说起

在商场中庭、地下车库或展览馆里，手机能扫到十几个 WiFi 热点，却搜不到可用的 GPS 卫星。这个标题要解决的，正是这种“室内无星”场景：基于 WIFI 信号强度，用 Android Java 读取周边热点的 RSSI，结合传播模型或指纹库，把信号强度换算成设备坐标，再打包成 APK 安装包。真正决定定位精度的不是 UI，而是无线信号的抖动控制。同样的位置连续扫描 10 次，RSSI 可能震荡 7dBm 以上，对应距离偏差经常超过 5 米。所以这个毕设的技术含量不在于扫到了多少 AP，而在于怎么建模、怎么过滤、怎么匹配坐标。下面按我实际搭过的一条路径讲。

2. 基于 WIFI 信号强度的室内定位：RSSI 定位模型与误差来源

2.1 为什么选 RSSI 而不做 TOA / AOA 测距

TOA（到达时间）定位在原理上比 RSSI 干净：测出信号从 AP 到手机的时间，乘光速就是距离。可普通 WiFi 网卡根本不提供纳秒级时间戳，Android 的 ScanResult 也没有这个字段。AOA（到达角度）需要阵列天线，手机端同样拿不到。RSSI 是每个 ScanResult 都暴露的 level 字段，能在几乎所有 Android 设备上读到，因此基于 WIFI 信号强度的定位成了室内定位最现实的入口。

RSSI 的问题也很直接：它不是稳定的距离度量。发送功率、天线方向、墙体和人体吸收都会改变同一个位置的电平读数。要在 Java 里把它转换成坐标，先要接受“信号强度只能给出概率意义上的位置”，然后选一种模型消化这种不确定性。这也是标题里“设计”二字的重点。

2.2 对数距离路径损耗模型与 Java 距离换算

最常用的经验模型是：

RSSI(dBm) = A - 10 * n * log10(d / d0)

A 是距离 AP 一米处测到的信号强度，n 是路径损耗指数，d0 取 1 米。反解出 d：

public class RssiDistanceUtil { private static final double A = -46.0; private static final double N = 3.0; private static final double MIN_RSSI = -90.0; public static double distanceByRssi(double rssi) { double r = Math.max(rssi, MIN_RSSI); return Math.pow(10.0, (A - r) / (10.0 * N)); } }

这段代码把 r.level（负数）当成 rssi，先钳制在 -90 以上，避免极端弱信号算出离谱距离。A 和 N 不要拍脑袋填，我一般会在一楼实验室里实测：距离 AP 1 米处扫 20 次取平均写 A，再在 5 米、10 米处各采几组做拟合得到 n。下表是常见取值：

模型描述的是理想自由空间衰减。如果 AP 少、场景开阔，可以把 n 设小；如果房间隔墙多，n 不提高的话，距离会整体偏大，三个圆的交集也会变成一大片模糊区域。

2.3 指纹定位与传播模型的选型边界

传播模型能算出“到某个 AP 的距离”，但三个圆交出的区域常常很大。多径反射会同时把几路信号叠在一起，RSSI 不严格遵守衰减公式。另一个可选路径是指纹定位：先在网格点上采集“BSSID -> RSSI”向量存成指纹，在线定位时拿当前向量去比较。

对毕设来说，如果现场只有三四个可用 AP，用传播模型加加权质心更现实；如果可以拿着手机在各点位慢慢扫，指纹方案演示效果更好。后面章节把两条路都讲，指纹为主，质心作为兜底。

2.4 多径、人体遮挡与弱信号 AP 的过滤策略

RSSI 抖动主要来自多径和人体遮挡。同一位置连续扫 10 次，标准差超过 3dBm 很常见。角度一变，信号可能掉 8 个 dBm。所以不能在每次扫描后直接做定位，至少要先对 AP 列表做一次规整：

public Map<String, Integer> normalizeRssi(List<ScanResult> results) { Map<String, Integer> map = new HashMap<>(); for (ScanResult r : results) { if (r.level < -85) { continue; } Integer old = map.get(r.BSSID); if (old == null || r.level > old) { map.put(r.BSSID, r.level); } } return map; }

我一般会把-85dBm作为阈值。低于这个值，RSSI 波动幅度很大，对距离计算的贡献几乎是噪声。同一 BSSID 在广播多频段时会重复出现，这里保留信号最强的那一个。如果环境中 AP 很少，阈值可以放宽到 -88，否则尽量不用弱 AP。

3. Android Java 工程搭建：权限配置、WiFi 扫描与指纹采集

3.1 AndroidManifest 权限与 Java 环境变量配置

从命令行构建 APK 之前，先确认系统能识别 JDK。java -version能输出版本号，再在项目根目录跑./gradlew。如果 java 环境变量配置不对，Gradle 会直接报JAVA_HOME is set to an invalid directory。Android Studio 自带 JBR，但命令行打包时仍建议显式把JAVA_HOME指向 JDK 11 或 JDK 17。

然后是 AndroidManifest.xml 里的权限：

<uses-permission android:name="android.permission.ACCESS_WIFI_STATE" /> <uses-permission android:name="android.permission.CHANGE_WIFI_STATE" /> <uses-permission android:name="android.permission.ACCESS_COARSE_LOCATION" /> <uses-permission android:name="android.permission.ACCESS_FINE_LOCATION" /> <uses-permission android:name="android.permission.NEARBY_WIFI_DEVICES" />

前两个权限负责扫描和触发扫描；关键点是从 Android 6.0 开始，getScanResults()能返回多少内容取决于是否授予定位权限。只申请 WiFi 权限，结果集可能为空。如果 targetSdk 33 以上，还要动态申请NEARBY_WIFI_DEVICES，否则 BSSID 仍然拿不到。动态申请时按系统版本分批：

public void checkPermission(Activity activity) { List<String> need = new ArrayList<>(); Collections.addAll(need, Manifest.permission.ACCESS_FINE_LOCATION, Manifest.permission.ACCESS_COARSE_LOCATION); if (Build.VERSION.SDK_INT >= 33) { need.add("android.permission.NEARBY_WIFI_DEVICES"); } activity.requestPermissions(need.toArray(new String[0]), 1001); }

之所以用字符串常量而不直接用Manifest.permission.NEARBY_WIFI_DEVICES，是为了在低版本 SDK 上少做一次 API 分支，低版本对未知权限会直接忽略。权限组合可以按下表核对：

3.2 用 BroadcastReceiver 做 WiFi 扫描并取 RSSI

扫描结果通过系统广播返回，代码：

public class WifiScanner extends BroadcastReceiver { public interface OnScanResultListener { void onResult(Map<String, Integer> rssiMap); } private final WifiManager wifiManager; private final OnScanResultListener listener; public WifiScanner(Context context, OnScanResultListener listener) { this.wifiManager = (WifiManager) context.getApplicationContext() .getSystemService(Context.WIFI_SERVICE); this.listener = listener; } public boolean triggerScan() { // 一次扫描约 1~2 秒，间隔太短会返回 false return wifiManager.startScan(); } @Override public void onReceive(Context context, Intent intent) { if (!WifiManager.SCAN_RESULTS_AVAILABLE_ACTION.equals(intent.getAction())) { return; } Map<String, Integer> rssiMap = new HashMap<>(); for (ScanResult r : wifiManager.getScanResults()) { if (r.level < -85) continue; Integer old = rssiMap.get(r.BSSID); if (old == null || r.level > old) { rssiMap.put(r.BSSID, r.level); } } listener.onResult(rssiMap); } }

在 Activity 里注册并触发一次扫描：

wifiScanner = new WifiScanner(this, map -> onNewRssi(map)); registerReceiver(wifiScanner, new IntentFilter(WifiManager.SCAN_RESULTS_AVAILABLE_ACTION)); wifiScanner.triggerScan();

我的习惯是每 2 秒调用一次triggerScan()，收到一次结果后再启动下一次。系统不会按应用的要求精准执行，连续调用会直接返回 false，所以不能写成循环里疯狂startScan()。

3.3 指纹数据序列化：JSON 结构与采集流程

把指纹点落盘成 JSON，结构如下：

[ { "x": 1.5, "y": 2.0, "aps": { "aa:bb:cc:dd:ee:01": -43, "aa:bb:cc:dd:ee:02": -58 } } ]

x和y是物理坐标系里的坐标，单位米，原点自己定。aps的 key 用 BSSID，不要用 SSID，因为多个 AP 可能同名。采集流程我一般这样：把区域划成 1 米间隔的网格，手机停在某个网格中心，连续扫 10 次，逐个热点取平均后写入一条记录。平均能压掉一部分瞬时抖动，比单次扫描更接近真实分布。

3.4 Gradle 构建 APK：签名、输出与加固

Module 的 build.gradle：

android { compileSdk 34 defaultConfig { applicationId "com.example.wifiloc" minSdk 23 targetSdk 31 versionCode 1 versionName "1.0" } }

targetSdk 选 31 而不是 34，是因为高版本对 WiFi 扫描加了不少限制，毕设演示通常不需要适配到最新政策。构建命令：

./gradlew assembleDebug adb install -r app/build/outputs/apk/debug/app-debug.apk

assembleDebug会用一个自动生成的 debug keystore 签名，安装到开发机上没问题。如果要把 APK 交给别人，最好生成 release 签名，否则部分手机会拒绝安装。此外，有些杀毒软件会把不含正式签名的 APK 报毒，这时候可以走一次常规的 apk 加固流程，重新签名后再分发；但毕设只要能在真机上跑通，不强制。

4. 定位算法实现：kNN 指纹匹配、加权质心与轨迹平滑

4.1 指纹库数据结构的 Java 定义

写一个简单类：

public class Fingerprint { public double x; public double y; public Map<String, Integer> rssi = new HashMap<>(); }

从 assets 里的 JSON 加载：

public List<Fingerprint> loadFingerprints(Context context) throws JSONException, IOException { String json = readAsset(context, "fingerprints.json"); JSONArray array = new JSONArray(json); List<Fingerprint> list = new ArrayList<>(); for (int i = 0; i < array.length(); i++) { JSONObject obj = array.getJSONObject(i); Fingerprint fp = new Fingerprint(); fp.x = obj.getDouble("x"); fp.y = obj.getDouble("y"); JSONObject aps = obj.getJSONObject("aps"); Iterator<String> keys = aps.keys(); while (keys.hasNext()) { String bssid = keys.next(); fp.rssi.put(bssid, aps.getInt(bssid)); } list.add(fp); } return list; }

这里把指纹库放进 assets 而不是 /sdcard，可以避免运行时读写权限和路径问题。加载完成后可以打印指纹数量，通常 100 个指纹点起步，少于 30 个点会导致匹配结果跳跃。

4.2 kNN 在线匹配的完整实现

核心逻辑是计算当前 RSSI 向量与每个指纹的欧氏距离，取最近的 k 个，以距离倒数为权重做加权平均：

public static double[] locateByKnn(List<Fingerprint> db, Map<String, Integer> current, int k) { List<double[]> dists = new ArrayList<>(); for (Fingerprint fp : db) { double sum = 0; int match = 0; for (Map.Entry<String, Integer> e : fp.rssi.entrySet()) { Integer cur = current.get(e.getKey()); if (cur != null) { double delta = e.getValue() - cur; sum += delta * delta; match++; } else { // 指纹库里有、当前扫描没有的 AP，加上固定惩罚 sum += 20 * 20; } } if (match < 3) continue; dists.add(new double[]{Math.sqrt(sum), fp.x, fp.y}); } if (dists.isEmpty()) return null; dists.sort(Comparator.comparingDouble(v -> v[0])); int realK = Math.min(k, dists.size()); double wx = 0, wy = 0, wSum = 0; for (int i = 0; i < realK; i++) { double[] d = dists.get(i); double w = 1.0 / (d[0] + 1.0); wx += w * d[1]; wy += w * d[2]; wSum += w; } return new double[]{wx / wSum, wy / wSum}; }

几个参数的调整经验：k 取 3 到 5 最稳，k=1 时对瞬时抖动非常敏感，k 超过 7 会把距离较远的指纹点拉进来。缺失惩罚用20 * 20，是为了让“少了 1 个 AP”和“某个 AP 差 5dBm”处在同一量级，不至于让缺项完全主导距离。match 小于 3 的点直接跳过，因为匹配的 AP 太少，坐标几乎没有参考意义。

4.3 基于 AP 坐标的加权质心定位

指纹匹配依赖离线采集；如果不想采集，可以提前把每个 AP 的位置标在地图上，用信号强度加权质心：

public static double[] locateByCentroid(List<ApInfo> aps) { double x = 0, y = 0, wSum = 0; for (ApInfo ap : aps) { double w = Math.pow(10.0, ap.rssi / 10.0); x += w * ap.x; y += w * ap.y; wSum += w; } return new double[]{x / wSum, y / wSum}; }

Math.pow(10.0, ap.rssi / 10.0)把 dBm 换算成线性功率。为什么不用 rssi 负值直接当权重？例如 AP1 在 (-40, 0) 处信号 -45，AP2 在 (40, 0) 处信号 -60，前者应占主导；但 -60 作为“数值”小于 -45，直接加权会把位置推向 AP2。转成功率后，-45 对应的功率是 -60 的 31.6 倍，权重关系才正确。这个替换是加权质心定位里最容易踩的坑。

4.4 滑动平均滤波与参数收敛

定位结果直接用，坐标会来回跳。我习惯在算法输出后接一个一阶低通：

private double[] smoothed; public double[] smooth(double[] point, double alpha) { if (smoothed == null) { smoothed = point.clone(); } else { smoothed[0] = alpha * smoothed[0] + (1 - alpha) * point[0]; smoothed[1] = alpha * smoothed[1] + (1 - alpha) * point[1]; } return smoothed; }

alpha 越大，轨迹越平滑，但跟随真实移动越慢。做静态定位演示时可以用 0.9，需要人走起来的话用 0.7。整个链路的顺序是：原始 RSSI → 过滤 AP → kNN 或质心 → 滑动平均 → 坐标转换，顺序不要反，否则噪声会先污染平均后的坐标。

5. 精度验证与可演示收尾：误差计算、地图映射和答辩技巧

5.1 用测试集计算 RMSE 与平均误差

指纹点本身是训练数据，不能用它们测精度。另选 20 个测试点，每个点定位 5 次取平均坐标，再计算与实际坐标的误差：

public static double rmse(List<double[]> pairs) { double sum = 0; for (double[] p : pairs) { double dx = p[0] - p[2]; double dy = p[1] - p[3]; sum += dx * dx + dy * dy; } return Math.sqrt(sum / pairs.size()); }

pairs 中前两个值是估计坐标，后两个值是真实坐标。用这种方法算出的误差通常比单点更可信。

5.2 像素坐标与物理坐标的标定换算

地图图片的像素坐标和日常定位用的米制坐标之间是线性映射。已知地图上两个参考点的物理坐标和像素坐标，就能算出比例尺 scale（米/像素）。换算公式：

pixelX = (physicalX - originX) / scalepixelY = (physicalY - originY) / scale

如果使用的地图图片 y 轴向下，而物理坐标系 y 轴向上，要额外对 pixelY 做翻转，否则定位点会镜像到地图的另一侧。我在演示项目里会把 origin 取成地图左上角对应的物理坐标，这样换算最简单。

5.3 权限拒绝、扫描节流与 BSSID 随机化的排错

BSSID 随机化按设备厂商行为不同，指纹库里的地址和当前扫描地址不一致时，匹配度会突然下降。可以先把系统设置里该网络的随机 MAC 关掉，再重新采集指纹，这是最省事的做法。

5.4 演示时值得提前固化的 3 个细节

指纹库一定提前打进 assets。答辩现场人多，WiFi 环境会变，现采指纹大概率失败；预置数据至少保证定位演示能出图。

地图上叠加 RSSI 热力图。写一个简单的 View，用 AP 信号强度做颜色渐变，扫描到的 AP 画圆，RSSI 越高颜色越暖。观众能直接看到“信号强的地方定位点密集”，比只看坐标点更有说服力。

把平滑后的坐标按时间画成轨迹线。边走边看路径是否连续，如果跳变明显，先把 k 调到 5，alpha 调到 0.85，再不行就去掉信号低于 -88 的 AP。边看路径是否平滑，比单独展示一个点更有说服力。

本文还有配套的精品资源，点击获取