随着物联网广泛应用,用户对于室内高精度定位的需求与日俱增。因为局域网的无缝覆盖和智能终端的普及,基于Wi-Fi的室内定位备受关注。Wi-Fi定位主要是根据终端接收无线信号强度实现位置估计。基于机器学习的室内跟踪定位取得了米级精度的良好效果。但是,无线信号的波动使得无线定位模型不稳定。本文分析信号分布变化得出定位环境和测量终端是影响信号变化的主要因素。复杂的室内传播环境会导致接收信号强度时变,从而导致定位精度下降。不同设备信号强度之间的差异性也是指纹定位的关键问题。当在线定位的终端与离线采集终端不一致时,定位精度也会因为设备的异构性而受损。人工更新指纹库需要耗费大量人力物力,这阻碍了指纹定位的推广进度。指纹库中存储的指纹是离线状态下采集的。受室内环境温度、人体运动和终端方向等多种因素的影响,在线接收的信号强度在多径和阴影衰落效应下会发生波动。因此,如何处理接收信号强度的变化是提高定位系统精度的主要挑战。本文基于无线信号受环境影响出现信号强度波动,提出一种基于深度自编码器和回归集成学习的定位模型,有效增强高精度室内定位的稳定性。该模型首先对含噪声的接收信号强度进行预处理。预处理在对指纹降噪的同时,有效提取了各个采集点处指纹的重要特征。在离线指纹库训练时,我们通过深度自编码器进行训练,建立了对测量数据降噪维稳的网络结构。接着,根据已经训练完毕的网络权重,可以对终端接收到的指纹进行重构。其次,针对人工采集构造指纹库的费时费力问题,该模型中采用集成回归学习取代分类训练,有效保证高精度的前提下,低密度的采集待测定位区域。通过随机森林回归、多层感知机分类和多层感知机回归三种机器学习算法的集成学习,重构后的指纹向量可以建立出与二维坐标平面的映射关系。实时接收的指纹向量经过已学习的模型结构,可以匹配到最终的估计位置。不同的采集设备配备不同的硬件芯片和天线,这些硬件的信号感知能力不同,因而会接收到不同的数据分布。当在线接收的信号分布发生变化,我们需要重新采集数据来更新指纹库,这样才能保持系统的定位精度。然而在大型复杂建筑中,采集并维护信号强度指纹库这项工作极其耗费人力资源。终端型号的推层出新使得我们建立指纹库时并不能覆盖市面上所有的智能终端。在线定位时,定位终端往往没有该终端的标签,也无法得知指纹库以何种终端采集标定。本文针对设备的异构性,提出了一种基于迁移学习框架来自适应处理异构设备定位的方法。领域自适应与消除终端差异性很好的结合,可以提高定位系统的延展性。该算法只需要预先计算出在线阶段与离线阶段指纹库指纹的二阶统计信息,而不需要人工标定任何关于终端标签的信息。这样我们完成二阶统计信息的对齐之后,即可最小化两个领域之间的偏移。在分类器训练之前,该算法以离线阶段采集的指纹库作为目标特征,将在线定位时的任意终端指纹视为源目标,白化对齐两个领域后异构性带来的损害可以被大大削减。论文中所有实验是在真实室内场景中测试实现的,实验结果表明了该系统较高的定位精度和可靠性,对室内定位的进展具有一定的促进作用。