随着无线网络的广泛应用，面向接受信号强度（RSS）指纹定位的接入点（AP）日益增多，导致一些AP的作用是冗余的，甚至对定位产生不利影响，同时也增加了定位计算的开销。通过对AP进行适当筛选可以一定程度上去除冗余AP，但定位效果会随着AP数量发生较大变化，甚至会增大误差。本文提出一种基于信息区分度的AP有效集构建方法（EID），充分利用指纹信号在不同空间的差异，实现了准确的位置估计。首先，用信息区分度评估AP的定位能力，有效反映出每个AP在不同采样点的区别，展示AP对空间位置的分辨程度。然后，基于AP信息区分度设计更加符合现实环境的增量聚类算法，能根据AP的定位能力得到不同类别的集合并具有较好的鲁棒性。最后，利用点集距离最大原则提出AP有效集选择策略，根据聚类结果和选择要求，选择出合适的AP集合。本文在真实场景下进行实验验证，并与现有的AP选择方法，即基于组判别（GDB）算法、基于软件定义网络（SDN）算法和基于非均匀量化RSS熵（NQRE）算法对比，在减少不低于40%AP数量的情形下，EID将定位精度分别提升了18.7%、11.2%和14.6%。与此同时，本文方法具有更好的稳定性，在95%的情形下定位误差低于1.2 m。
