尧图网站建设 
简介这份资源面向室内定位方向的初学者与工程实践者聚焦GPS信号难以覆盖的室内场景提供基于RSS接收信号强度的位置指纹定位方案并以KNN近邻算法作为核心匹配策略用MATLAB完成从指纹库构建到位置估计的完整流程。压缩包共2个文件包含1个mat数据文件与1个m源码文件整体约12KB数据文件用于存放训练与测试所需的RSS指纹样本脚本文件则承载距离度量、K值选取与分类定位等核心逻辑结构精简便于直接运行与二次修改。目前已有10220人学习下载说明该方案在同类教学资源中具有较高参考热度。读者可借此理解RSS指纹的特征向量组织方式、KNN在信号强度差异度量下的匹配思路以及数据清洗、归一化与定位精度评估等关键环节适合作为课程实验、算法验证或室内定位入门实践的参考素材。1. 室内定位RSS位置指纹法配KNN为什么它是新手最该先跑通的一条链路室内定位这件事真正难的不是算法有多深而是你手上只有一堆WiFi或蓝牙的RSS采样值却要在一个没有GPS信号的楼里把坐标估出来。RSS位置指纹法就是目前门槛最低、最容易复现的一条路离线阶段把每个参考点上的信号强度向量存成指纹库在线阶段拿一条实测RSS去库里比对用KNN找出最相近的几个点加权平均出坐标。它不需要知道AP具体摆在哪不需要测距也不需要信道模型只要你的采集够规范MATLAB几十行就能跑出米级结果。这套东西适合谁适合做课程设计、毕设、实验室原型验证的工程师和学生也适合已经有一批WiFi/蓝牙RSS日志、想快速验证「指纹法到底能不能用在我这个场地」的人。它最大的价值是给你一个可解释的基线KNN跑出来的误差分布能直接告诉你采集密度够不够、AP数量够不够、K值该取多少。后面你要换WKNN、贝叶斯、深度学习都是在这条基线上做增量。所以别急着上模型先把RSS指纹加KNN这条链路在MATLAB里跑通这是最省后悔药的一步。2. RSS指纹库怎么建从采样到MATLAB矩阵的完整链路2.1 指纹法的两个阶段与数据结构约定RSS位置指纹法的核心假设只有一句同一个位置上的信号强度向量是稳定的、可区分的。离线阶段你在每个参考点RP上停留一段时间反复采样得到一个RSS向量把所有RP的向量堆起来就是指纹库。在线阶段来一条测试向量去库里找最像的K个RP用它们的坐标做加权。数据结构上我一般约定成两个矩阵这样后面KNN写起来最省事FP指纹矩阵尺寸N x MN是参考点数M是AP数或特征维数。第i行第j列就是第i个参考点上第j个AP的平均RSS。RP_pos坐标矩阵尺寸N x 2第i行是第i个参考点的(x, y)。test_rss在线测试向量尺寸1 x M或者批量测试时是T x M。这里有个容易翻车的点AP的列顺序必须固定。你离线采集时如果AP列表是[AP1 AP2 AP3]在线测试时也必须按同样顺序排缺哪个AP就补一个默认值比如-100 dBm不能直接删列否则维度对不上KNN算出来的距离全是错的。2.2 用MATLAB把原始RSS日志整理成指纹矩阵实际采集时你拿到的往往是一堆带时间戳的原始记录每个点采了多次。下面这段是我常用的整理脚本假设原始数据是raw结构体数组每个元素有pos坐标和samples该点多次采样的RSS矩阵行是采样次数列是AP。% 假设 raw 是 1xN 的结构体数组raw(i).pos [x y]raw(i).samples 是 S x M N numel(raw); M size(raw(i).samples, 2); % AP 数量所有点必须一致 FP zeros(N, M); RP_pos zeros(N, 2); for i 1:N RP_pos(i, :) raw(i).pos; % 对多次采样取中位数比均值更抗脉冲噪声 FP(i, :) median(raw(i).samples, 1); end % 处理缺失值把 NaN 或异常小值统一替换成一个下限 RSS_MIN -100; FP(isnan(FP)) RSS_MIN; FP(FP RSS_MIN) RSS_MIN; % 保存成 mat 文件后面在线阶段直接 load save(fingerprint.mat, FP, RP_pos, RSS_MIN);逻辑说明这里用中位数而不是均值是因为RSS采样里经常混进个别突变值有人走过、门开关均值会被拉偏中位数更稳。RSS_MIN这个下限很重要它把「没收到这个AP」和「收到但很弱」统一成一个可计算的数值避免NaN参与距离计算。参数说明M必须所有参考点一致如果某个点少采了一个AP要么补采要么在整理时按AP名对齐后填RSS_MIN。RSS_MIN取-100 dBm是个经验值你也可以用你设备实际能读到的最小值但一旦定了离线和在线必须用同一个。2.3 采集密度与AP数量的取舍几个能直接用的经验值采集密度直接决定定位精度上限。我踩过的坑是一开始每2米一个点结果KNN误差一直在3米以上后来加密到1米误差掉到1.5米左右。一般室内走廊场景参考点间距1到1.5米比较稳妥房间内如果AP多可以放到2米。AP数量方面能收到5个以上AP时KNN就比较稳了少于3个基本没法做二维定位。参数经验取值影响参考点间距1~1.5 m太稀误差大太密采集成本高每点采样次数30~100 次少于30次中位数不稳可用AP数≥5少于3个二维定位不可靠RSS下限-100 dBm统一缺失值必须离线在线一致提示采集时尽量保持手机或采集设备朝向一致人体遮挡对RSS影响很大朝向变了指纹就变了。3. KNN在MATLAB里怎么落地距离、K值、加权一次讲清3.1 距离度量选欧氏还是曼哈顿先看你的RSS分布KNN的核心是距离。RSS向量之间的差异最常用的是欧氏距离但在指纹法里曼哈顿距离有时更稳因为RSS噪声不一定是高斯分布曼哈顿对单个维度的异常没那么敏感。我一般两个都跑一遍看哪个在线误差小就用哪个。欧氏距离公式d sqrt(sum((test_rss - FP(i,:)).^2))。 曼哈顿距离d sum(abs(test_rss - FP(i,:)))。MATLAB里可以用pdist2一次性算完所有距离比循环快很多% test_rss 是 1xMFP 是 NxM % 欧氏距离 D_euc pdist2(FP, test_rss, euclidean); % 返回 Nx1 % 曼哈顿距离 D_man pdist2(FP, test_rss, cityblock);逻辑说明pdist2的第一个参数是库第二个是查询向量返回每个参考点到测试点的距离。注意方向别写反pdist2(test_rss, FP)返回的是1xN后面排序索引会不一样。参数说明如果你的RSS做了归一化比如减均值除标准差距离度量的选择影响会变小。但指纹法里我一般不做全局归一化因为不同AP的绝对强度本身带位置信息。3.2 K值怎么选从1到10扫一遍看误差曲线K值太小噪声一来就翻车K值太大会把远处的点也拉进来坐标被平均糊掉。常见做法是取3到5但最靠谱的是在你的测试集上扫一遍。K_list 1:10; err zeros(size(K_list)); for ki 1:numel(K_list) K K_list(ki); [~, idx] sort(D_euc); % 升序排列 idx idx(1:K); % 取前K个最近邻 w 1 ./ (D_euc(idx) 1e-6); % 距离倒数加权防止除零 w w / sum(w); est sum(RP_pos(idx, :) .* w, 1); % 加权坐标 err(ki) norm(est - true_pos); % true_pos 是该测试点的真实坐标 end plot(K_list, err, -o); xlabel(K); ylabel(定位误差 (m));逻辑说明sort返回的第二个输出是索引取前K个就是K个最近邻。加权时用距离倒数距离越近权重越大这比简单平均精度高不少。1e-6是防止距离为0时除零。参数说明K一般不超过参考点总数的平方根比如100个点K取到10就差不多了。如果你发现误差曲线在K3之后一直上升说明你的指纹库区分度不够该回去加密采集点或检查AP对齐。3.3 加权KNN与普通KNN的差别一个坐标平均的细节普通KNN是把K个邻居坐标直接平均加权KNN是按距离倒数加权。差别在边界区域特别明显普通KNN在参考点边缘容易跳到隔壁区域加权KNN因为近邻权重大过渡更平滑。我实测下来加权KNN比普通KNN平均误差能低10%到20%代码只多两行没有理由不用。但加权也有个坑如果最近邻距离非常小比如测试点几乎和某个参考点重合权重会极端集中这时估计坐标基本等于那个参考点反而失去了KNN平滑的意义。所以有些实现会给距离加一个小的平滑项或者对权重做裁剪。我一般用1/(deps)就够了不用太复杂。注意在线测试时测试点的RSS向量必须和指纹库用同一套AP列顺序和同一个RSS下限否则距离计算全是错的这是最常见的翻车点。4. 避坑与排查RSS指纹加KNN最容易翻车的5个地方4.1 现象在线误差突然比离线交叉验证大很多原因离线做交叉验证时用的是库内点在线测试时设备、朝向、时间变了RSS分布漂移。RSS对环境和设备非常敏感换一台手机可能就差好几个dB。 解决离线阶段就留出独立测试集不要用训练点自测。在线采集时尽量用同一台设备、同一朝向并且在不同时间段各采一批看误差波动范围。4.2 现象KNN估计坐标总是偏向指纹库中心原因K值太大或者距离加权没做导致所有邻居被平均坐标被拉向库的几何中心。 解决先把K降到3试试加上距离倒数加权。如果还偏检查是不是很多测试向量和多个参考点距离都差不多说明指纹区分度不够需要增加AP或加密参考点。4.3 现象某些AP列全是同一个值原因采集时那个AP一直没收到整理时全填了RSS_MIN这一列在距离计算里贡献恒为0等于没有这个特征。 解决统计每列的非RSS_MIN比例低于30%的AP列考虑直接删掉或者重新采集时确保该AP能被收到。留着只会增加维度噪声。4.4 现象MATLAB报矩阵维度不一致原因在线测试向量的AP顺序和指纹库不一致或者少列多列。 解决在整理和在线阶段都用AP的BSSID做列名对齐不要靠顺序。MATLAB里可以用containers.Map或表格的VariableNames来管理对齐后再转矩阵。4.5 现象K1时误差很小K3反而变大原因K1过拟合了测试点恰好和某个参考点非常近但换一个测试点就崩。K3变大说明你的近邻里混进了不同区域的点指纹库在区域边界处区分度不够。 解决不要被K1的局部结果骗了看整体测试集的平均误差和最大误差。边界处可以增加参考点密度或者改用加权KNN让近邻主导。5. 把KNN指纹法用稳的几个进阶习惯跑通基础版之后真正决定这套方案能不能落地的是几个工程习惯。第一个是交叉验证把参考点分成5折轮流做测试看误差的均值和方差而不是只看一次结果。第二个是误差可视化把每个测试点的真实坐标和估计坐标画在一张图上用箭头连起来你一眼就能看出误差在哪个区域最大是走廊拐角还是AP盲区。第三个习惯是保存中间结果。我一般会把FP、RP_pos、每次测试的test_rss和true_pos都存成mat文件这样换K值、换距离度量时不用重新采集直接load就能跑。下面这段是我常用的批量测试和误差统计模板% test_rss_all 是 T x Mtrue_pos_all 是 T x 2 T size(test_rss_all, 1); est_all zeros(T, 2); for t 1:T D pdist2(FP, test_rss_all(t, :), euclidean); [~, idx] sort(D); K 3; idx idx(1:K); w 1 ./ (D(idx) 1e-6); w w / sum(w); est_all(t, :) sum(RP_pos(idx, :) .* w, 1); end err sqrt(sum((est_all - true_pos_all).^2, 2)); fprintf(平均误差 %.2f m最大误差 %.2f m\n, mean(err), max(err));逻辑说明批量测试就是把单次流程循环一遍最后算每个点的欧氏误差。fprintf输出均值和最大值最大值能告诉你最坏情况在哪。参数说明K在这里固定为3你可以改成扫描。err是T x 1的向量后面可以按区域分组统计看哪个区域误差大。最后一个习惯是别迷信KNN。KNN是基线它的误差曲线能告诉你数据质量的上限。如果加权KNN跑下来平均误差还在3米以上问题大概率不在算法而在采集密度、AP数量或RSS漂移。这时候换WKNN、贝叶斯甚至深度学习提升也有限。先把采集和预处理做扎实再谈模型升级。我自己在这个方向上最大的教训就是一开始总想换算法后来发现把参考点从2米加密到1米比换任何算法都管用。希望帮到你。本文还有配套的精品资源点击获取 室内定位RSS指纹法配KNN：MATLAB从采集到定位的完整链路
简介这份资源面向室内定位方向的初学者与工程实践者聚焦GPS信号难以覆盖的室内场景提供基于RSS接收信号强度的位置指纹定位方案并以KNN近邻算法作为核心匹配策略用MATLAB完成从指纹库构建到位置估计的完整流程。压缩包共2个文件包含1个mat数据文件与1个m源码文件整体约12KB数据文件用于存放训练与测试所需的RSS指纹样本脚本文件则承载距离度量、K值选取与分类定位等核心逻辑结构精简便于直接运行与二次修改。目前已有10220人学习下载说明该方案在同类教学资源中具有较高参考热度。读者可借此理解RSS指纹的特征向量组织方式、KNN在信号强度差异度量下的匹配思路以及数据清洗、归一化与定位精度评估等关键环节适合作为课程实验、算法验证或室内定位入门实践的参考素材。1. 室内定位RSS位置指纹法配KNN为什么它是新手最该先跑通的一条链路室内定位这件事真正难的不是算法有多深而是你手上只有一堆WiFi或蓝牙的RSS采样值却要在一个没有GPS信号的楼里把坐标估出来。RSS位置指纹法就是目前门槛最低、最容易复现的一条路离线阶段把每个参考点上的信号强度向量存成指纹库在线阶段拿一条实测RSS去库里比对用KNN找出最相近的几个点加权平均出坐标。它不需要知道AP具体摆在哪不需要测距也不需要信道模型只要你的采集够规范MATLAB几十行就能跑出米级结果。这套东西适合谁适合做课程设计、毕设、实验室原型验证的工程师和学生也适合已经有一批WiFi/蓝牙RSS日志、想快速验证「指纹法到底能不能用在我这个场地」的人。它最大的价值是给你一个可解释的基线KNN跑出来的误差分布能直接告诉你采集密度够不够、AP数量够不够、K值该取多少。后面你要换WKNN、贝叶斯、深度学习都是在这条基线上做增量。所以别急着上模型先把RSS指纹加KNN这条链路在MATLAB里跑通这是最省后悔药的一步。2. RSS指纹库怎么建从采样到MATLAB矩阵的完整链路2.1 指纹法的两个阶段与数据结构约定RSS位置指纹法的核心假设只有一句同一个位置上的信号强度向量是稳定的、可区分的。离线阶段你在每个参考点RP上停留一段时间反复采样得到一个RSS向量把所有RP的向量堆起来就是指纹库。在线阶段来一条测试向量去库里找最像的K个RP用它们的坐标做加权。数据结构上我一般约定成两个矩阵这样后面KNN写起来最省事FP指纹矩阵尺寸N x MN是参考点数M是AP数或特征维数。第i行第j列就是第i个参考点上第j个AP的平均RSS。RP_pos坐标矩阵尺寸N x 2第i行是第i个参考点的(x, y)。test_rss在线测试向量尺寸1 x M或者批量测试时是T x M。这里有个容易翻车的点AP的列顺序必须固定。你离线采集时如果AP列表是[AP1 AP2 AP3]在线测试时也必须按同样顺序排缺哪个AP就补一个默认值比如-100 dBm不能直接删列否则维度对不上KNN算出来的距离全是错的。2.2 用MATLAB把原始RSS日志整理成指纹矩阵实际采集时你拿到的往往是一堆带时间戳的原始记录每个点采了多次。下面这段是我常用的整理脚本假设原始数据是raw结构体数组每个元素有pos坐标和samples该点多次采样的RSS矩阵行是采样次数列是AP。% 假设 raw 是 1xN 的结构体数组raw(i).pos [x y]raw(i).samples 是 S x M N numel(raw); M size(raw(i).samples, 2); % AP 数量所有点必须一致 FP zeros(N, M); RP_pos zeros(N, 2); for i 1:N RP_pos(i, :) raw(i).pos; % 对多次采样取中位数比均值更抗脉冲噪声 FP(i, :) median(raw(i).samples, 1); end % 处理缺失值把 NaN 或异常小值统一替换成一个下限 RSS_MIN -100; FP(isnan(FP)) RSS_MIN; FP(FP RSS_MIN) RSS_MIN; % 保存成 mat 文件后面在线阶段直接 load save(fingerprint.mat, FP, RP_pos, RSS_MIN);逻辑说明这里用中位数而不是均值是因为RSS采样里经常混进个别突变值有人走过、门开关均值会被拉偏中位数更稳。RSS_MIN这个下限很重要它把「没收到这个AP」和「收到但很弱」统一成一个可计算的数值避免NaN参与距离计算。参数说明M必须所有参考点一致如果某个点少采了一个AP要么补采要么在整理时按AP名对齐后填RSS_MIN。RSS_MIN取-100 dBm是个经验值你也可以用你设备实际能读到的最小值但一旦定了离线和在线必须用同一个。2.3 采集密度与AP数量的取舍几个能直接用的经验值采集密度直接决定定位精度上限。我踩过的坑是一开始每2米一个点结果KNN误差一直在3米以上后来加密到1米误差掉到1.5米左右。一般室内走廊场景参考点间距1到1.5米比较稳妥房间内如果AP多可以放到2米。AP数量方面能收到5个以上AP时KNN就比较稳了少于3个基本没法做二维定位。参数经验取值影响参考点间距1~1.5 m太稀误差大太密采集成本高每点采样次数30~100 次少于30次中位数不稳可用AP数≥5少于3个二维定位不可靠RSS下限-100 dBm统一缺失值必须离线在线一致提示采集时尽量保持手机或采集设备朝向一致人体遮挡对RSS影响很大朝向变了指纹就变了。3. KNN在MATLAB里怎么落地距离、K值、加权一次讲清3.1 距离度量选欧氏还是曼哈顿先看你的RSS分布KNN的核心是距离。RSS向量之间的差异最常用的是欧氏距离但在指纹法里曼哈顿距离有时更稳因为RSS噪声不一定是高斯分布曼哈顿对单个维度的异常没那么敏感。我一般两个都跑一遍看哪个在线误差小就用哪个。欧氏距离公式d sqrt(sum((test_rss - FP(i,:)).^2))。 曼哈顿距离d sum(abs(test_rss - FP(i,:)))。MATLAB里可以用pdist2一次性算完所有距离比循环快很多% test_rss 是 1xMFP 是 NxM % 欧氏距离 D_euc pdist2(FP, test_rss, euclidean); % 返回 Nx1 % 曼哈顿距离 D_man pdist2(FP, test_rss, cityblock);逻辑说明pdist2的第一个参数是库第二个是查询向量返回每个参考点到测试点的距离。注意方向别写反pdist2(test_rss, FP)返回的是1xN后面排序索引会不一样。参数说明如果你的RSS做了归一化比如减均值除标准差距离度量的选择影响会变小。但指纹法里我一般不做全局归一化因为不同AP的绝对强度本身带位置信息。3.2 K值怎么选从1到10扫一遍看误差曲线K值太小噪声一来就翻车K值太大会把远处的点也拉进来坐标被平均糊掉。常见做法是取3到5但最靠谱的是在你的测试集上扫一遍。K_list 1:10; err zeros(size(K_list)); for ki 1:numel(K_list) K K_list(ki); [~, idx] sort(D_euc); % 升序排列 idx idx(1:K); % 取前K个最近邻 w 1 ./ (D_euc(idx) 1e-6); % 距离倒数加权防止除零 w w / sum(w); est sum(RP_pos(idx, :) .* w, 1); % 加权坐标 err(ki) norm(est - true_pos); % true_pos 是该测试点的真实坐标 end plot(K_list, err, -o); xlabel(K); ylabel(定位误差 (m));逻辑说明sort返回的第二个输出是索引取前K个就是K个最近邻。加权时用距离倒数距离越近权重越大这比简单平均精度高不少。1e-6是防止距离为0时除零。参数说明K一般不超过参考点总数的平方根比如100个点K取到10就差不多了。如果你发现误差曲线在K3之后一直上升说明你的指纹库区分度不够该回去加密采集点或检查AP对齐。3.3 加权KNN与普通KNN的差别一个坐标平均的细节普通KNN是把K个邻居坐标直接平均加权KNN是按距离倒数加权。差别在边界区域特别明显普通KNN在参考点边缘容易跳到隔壁区域加权KNN因为近邻权重大过渡更平滑。我实测下来加权KNN比普通KNN平均误差能低10%到20%代码只多两行没有理由不用。但加权也有个坑如果最近邻距离非常小比如测试点几乎和某个参考点重合权重会极端集中这时估计坐标基本等于那个参考点反而失去了KNN平滑的意义。所以有些实现会给距离加一个小的平滑项或者对权重做裁剪。我一般用1/(deps)就够了不用太复杂。注意在线测试时测试点的RSS向量必须和指纹库用同一套AP列顺序和同一个RSS下限否则距离计算全是错的这是最常见的翻车点。4. 避坑与排查RSS指纹加KNN最容易翻车的5个地方4.1 现象在线误差突然比离线交叉验证大很多原因离线做交叉验证时用的是库内点在线测试时设备、朝向、时间变了RSS分布漂移。RSS对环境和设备非常敏感换一台手机可能就差好几个dB。 解决离线阶段就留出独立测试集不要用训练点自测。在线采集时尽量用同一台设备、同一朝向并且在不同时间段各采一批看误差波动范围。4.2 现象KNN估计坐标总是偏向指纹库中心原因K值太大或者距离加权没做导致所有邻居被平均坐标被拉向库的几何中心。 解决先把K降到3试试加上距离倒数加权。如果还偏检查是不是很多测试向量和多个参考点距离都差不多说明指纹区分度不够需要增加AP或加密参考点。4.3 现象某些AP列全是同一个值原因采集时那个AP一直没收到整理时全填了RSS_MIN这一列在距离计算里贡献恒为0等于没有这个特征。 解决统计每列的非RSS_MIN比例低于30%的AP列考虑直接删掉或者重新采集时确保该AP能被收到。留着只会增加维度噪声。4.4 现象MATLAB报矩阵维度不一致原因在线测试向量的AP顺序和指纹库不一致或者少列多列。 解决在整理和在线阶段都用AP的BSSID做列名对齐不要靠顺序。MATLAB里可以用containers.Map或表格的VariableNames来管理对齐后再转矩阵。4.5 现象K1时误差很小K3反而变大原因K1过拟合了测试点恰好和某个参考点非常近但换一个测试点就崩。K3变大说明你的近邻里混进了不同区域的点指纹库在区域边界处区分度不够。 解决不要被K1的局部结果骗了看整体测试集的平均误差和最大误差。边界处可以增加参考点密度或者改用加权KNN让近邻主导。5. 把KNN指纹法用稳的几个进阶习惯跑通基础版之后真正决定这套方案能不能落地的是几个工程习惯。第一个是交叉验证把参考点分成5折轮流做测试看误差的均值和方差而不是只看一次结果。第二个是误差可视化把每个测试点的真实坐标和估计坐标画在一张图上用箭头连起来你一眼就能看出误差在哪个区域最大是走廊拐角还是AP盲区。第三个习惯是保存中间结果。我一般会把FP、RP_pos、每次测试的test_rss和true_pos都存成mat文件这样换K值、换距离度量时不用重新采集直接load就能跑。下面这段是我常用的批量测试和误差统计模板% test_rss_all 是 T x Mtrue_pos_all 是 T x 2 T size(test_rss_all, 1); est_all zeros(T, 2); for t 1:T D pdist2(FP, test_rss_all(t, :), euclidean); [~, idx] sort(D); K 3; idx idx(1:K); w 1 ./ (D(idx) 1e-6); w w / sum(w); est_all(t, :) sum(RP_pos(idx, :) .* w, 1); end err sqrt(sum((est_all - true_pos_all).^2, 2)); fprintf(平均误差 %.2f m最大误差 %.2f m\n, mean(err), max(err));逻辑说明批量测试就是把单次流程循环一遍最后算每个点的欧氏误差。fprintf输出均值和最大值最大值能告诉你最坏情况在哪。参数说明K在这里固定为3你可以改成扫描。err是T x 1的向量后面可以按区域分组统计看哪个区域误差大。最后一个习惯是别迷信KNN。KNN是基线它的误差曲线能告诉你数据质量的上限。如果加权KNN跑下来平均误差还在3米以上问题大概率不在算法而在采集密度、AP数量或RSS漂移。这时候换WKNN、贝叶斯甚至深度学习提升也有限。先把采集和预处理做扎实再谈模型升级。我自己在这个方向上最大的教训就是一开始总想换算法后来发现把参考点从2米加密到1米比换任何算法都管用。希望帮到你。本文还有配套的精品资源点击获取