无线传感器网络主要用于事件的监测,而事件发生的位置对监测来说是至关重要的。本文主要研究直接构建由接收信号强度(RSSI)组成的信号空间和位置数据组成的物理空间之间映射的定位方法。局部保持典型相关分析方法(LE-LPCCA)存在求解映射关系的训练数据信息不够丰富、过分依赖大量较难收集的具有位置标记的RSSI数据(成对的RSSI和位置数据)等问题。为了解决以上问题,本文以基于流形学习、典型相关分析(CCA)、半监督学习等方法为工具,提出了两种无线传感器网络定位方法。具体研究内容如下:1.提出改进的局部保持典型相关分析的无线传感器网络定位方法(LE-ILPCCA)。针对LE-LPCCA只使用节点间相似性信息未保留信号空间和物理空间之间的相关性信息、且求解未知节点坐标时使用粗糙的质心法的问题,LE-ILPCCA在样本训练阶段用平衡参数将数据的相似性和相关性信息进行融合,求取RSSI内在低维坐标表示的投影变换;在定位阶段,求解已知节点位置坐标和RSSI内在低维坐标之间存在的线性转换关系,获得未知节点的坐标。在模拟数据和真实数据上的实验结果表明,LE-ILPCCA与LE-LPCCA和LE-CCA相比定位精度高、稳定性强。2.提出半监督局部保持典型相关分析的无线传感器网络定位方法(SLPCCA)。针对LE-LPCCA过分依赖具有位置标记的RSSI数据使得定位成本增加的问题,该方法以半监督典型相关分析(SemiCCA)为原型,通过引入标记数据间和所有数据间相似性信息,构建加入数据局部结构信息的SLPCCA模型。该模型用于定位问题中,可以较好地拟合网络结构并有效利用未标记数据,能在保留数据内部局部结构信息的情况下,求解使两空间相关性最大的映射关系。在模拟数据和真实数据上的实验结果表明,SLPCCA方法能在保证定位精度的前提下减少对标记数据的依赖。3.设计一个无线传感器网络定位仿真系统。该原型仿真系统将本文提出的定位方法进行集成封装,使其界面化方便使用。可以通过系统界面选择定位方法种类及设置相关参数来实现定位过程,并将定位结果和定位误差返回到显示区,相比单独运行操作更灵活、表现更直观。