伴随着Wi-Fi网络的大规模建设和移动终端内嵌Wi-Fi接收机的普及,基于Wi-Fi信号的室内定位成为学术界和工业界广泛关注的热点。随着机器学习的发展,基于Wi-Fi的室内定位可以通过机器学习技术来解决。作为一种新的机器学习技术,极限学习机(ELM)具有学习速度快,计算复杂度低,泛化性能好等优点。但是当ELM理论直接用于室内定位,离线学习会存在过拟合的风险,定位结果稳定性弱。并且在数据异常情况下定位性能的鲁棒性差,对训练数据集比较敏感。针对基于ELM的定位算法的上述缺点,本课题开展了基于ELM理论的稳健定位算法研究。主要研究内容包括:(1)首先总结归纳基于测距的Wi-Fi定位算法。然后描述了基于接收信号强度指示(RSSI)的指纹定位技术的模型和工作原理,在此基础上描述了常用的基于K-最近邻(KNN)指纹匹配算法和基于支持向量机(SVM)指纹匹配算法。详细介绍了算法的在离线阶段和在线阶段的具体流程,为后续的研究工作打下理论基础。(2)提出了一种基于极限学习机和岭回归的定位方法。离线阶段,在定位区域不同位置上采集Wi-Fi信号强度值指示(RSSI),构建Wi-Fi信号强度指示-目标位置的指纹库,作为离线训练数据集。为了解决训练数据集中的噪声干扰问题,提出了改进的基于岭回归的ELM定位算法,以获得更稳定的预测结果和更好的泛化能力,其中岭参数通过训练误差的方差得到。在线阶段,直接将所获得的位置回归函数用于位置估计。由于减少了离线阶段的训练偏差,因此所提算法在在线阶段能够产生更稳定,准确的位置估计结果。(3)提出了一种基于极限学习机和决策级融合的定位算法。离线阶段,首先利用K-means聚类技术对Wi-Fi信号强度指示-目标位置指纹库进行基于基站特征提取的数据预处理。形成不同类基站信号强度构成的训练数据子集。然后对所有训练数据子集进行多次基于ELM的离线回归学习,通过比较每个训练子集的学习误差,得到多个位置回归函数。在线阶段,对接收RSSI测量值的基站特征提取后,利用对应的位置回归函数得到位置估计的多个中间值,最后通过决策级数据融合技术得到最终的位置估计。由于每个位置回归函数不同的权重,所提算法的位置估计结果更加准确。同时多次离线学习能够减轻样本数据异常的影响,提高离线学习的泛化能力。