由于极限学习机(ELM)在训练速度,预测精度和泛化性方面表现优越,使得基于ELM的机器学习算法被提出并用于室内定位。然而,大多数现有的研究工作都是基于二维(2D)室内环境。在本文中,我们将扩展应用场景,并在室内多楼层环境中研究基于ELM的定位技术。主要贡献如下:1.多楼层环境中的定位问题可以转换为机器学习问题,其通过基于ELM的学习技术来解决。本文提出的算法包含两个主要阶段:(1)粗定位阶段:楼层定位;(2)精定位阶段:位置估计。首先,将楼层定位和位置估计分别转换为分类问题和回归问题。然后,基于ELM的技术用于解决上述两个机器学习问题并获得最终目标坐标。2.对于楼层定位,在离线阶段,首先提出主成分分析(PCA)对训练数据进行预处理。PCA可以使用正交变换从相关的RSSI指纹中提取一组线性不相关的变量。由于训练数据的维数减小,离线学习的计算负荷减少。然后,通过将多个单独的ELM学习器进行组合,提出了集成ELM学习用于分类学习并获得楼层分类函数。因为集成ELM可以实现比单个ELM学习更好的泛化性能,所以可以提高学习性能。在在线阶段,首先对接收到的RSSI测量数据进行PCA预处理。然后,可以利用楼层分类函数来估计楼层。3.对于位置估计,在离线阶段,为了获得更好的学习性能,首先根据地理位置信息将训练数据集划分为多个训练数据子集。此外,每个训练数据子集的中心可以通过K均值聚类算法获得。然后,PCA方法作为降维的数学工具,用于RSSI训练数据子集预处理,其可以减少噪声和冗余。最后,将每个训练数据子集依次用于位置回归学习,得到位置回归函数。在在线阶段,通过比较接收的RSSI测量数据与每个训练数据子集的中心之间的距离,选择具有最小距离的训练数据子集对应的回归函数用于最终位置估计。4.开发了基于安卓系统的RSSI指纹采集软件,用于描述所提算法的性能。现场测试表明,对于楼层定位,该算法可以达到甚至超过高成本的传统方法的性能,如KNN方法,K-means方法。由于PCA技术和训练数据集分区预处理,所提出算法的位置估计性能比传统的基于ELM技术的位置估计性能改善显著。