随着智能手机等智能终端的普及,以及移动互联技术和物联网技术的发展与成熟,智能终端通过获取自身的位置信息,提供基于位置的服务(Location Based Service,LBS)已经极大地影响和改变着人们的生活方式。虽然以全球定位系统(Global Positioning System,GPS)和我国的北斗卫星导航系统(BeiDou Navigation Satellite System,BDS)为代表的卫星定位技术已经可以满足多数应用所需要的定位精度和速度。但是,卫星定位技术在应用上仍存在盲区,即卫星信号不可达的区域。为了克服这一限制,无线网络定位技术的应用使我们用相对较小的代价弥补卫星定位技术在应用上的盲区。在无线网络定位技术中,基于“位置指纹”的方法相对于传统的多边定位技术可以获得更高的精度。但是为了实现一个精度高、鲁棒性强、成本低的定位系统,现有的基于“位置指纹”的定位技术仍然存在一些亟待解决的问题:1.无线电传播中存在着诸多干扰因素,这些干扰因素会不可避免地造成信号波动,进而使得设备端的信号接收强度(RSSI)不稳定,从而形成了“指纹噪声”。最终,这些噪声将降低定位算法对指纹的匹配精度。2.为了降低该技术在离线阶段(建立和维护指纹数据库)所需要的人力和物力,半监督极限学习机(Semi-Supervised Extreme Learning Machine,SS-ELM)作为定位算法被应用于无线网络定位技术中。但是,由于SS-ELM算法的性能对正则项系数十分敏感,而至今为止仍没有系统的理论指导我们如何优化SS-ELM的正则项系数。针对上述的两个问题,本文的创新工作主要分为两部分:1.针对信号的波动会降低匹配算法性能的问题,本文提出了一种特征处理方法。该方法通过使用Logistic函数对RSSI进行非线性的变换,以达到提高特征鲁棒性的目的,从而进一步提高了定位算法的性能。这种针对RSSI的非线性变换处理使得定位算法模型对不稳定特征的敏感度降低,同时提高稳定特征对模型的贡献。接下来,本文在公共数据集和仿真数据集上进行实验,对所提出的特征处理方法进行验证。实验结果表明,使用Logistic函数对RSSI进行非线性的变换后,能够提高定位算法的准确率以及稳定性。2.针对SS-ELM正则系数的优化问题,本文将其转化为参数搜索问题,提出了SSELM融合进化算法的框架。该框架使用启发式的搜索算法对最优的SS-ELM正则项系数组合进行搜索,使得SS-ELM的正则系数具有自适应性,最终提高了SS-ELM算法在各种条件下的定位精度和算法的稳定性。由于SS-ELM半监督学习的训练过程中,有标记数据比较少;所以本文所提出的融合框架其特点在于对SS-ELM做优化的过程中,不仅使用了有标记数据,还能有效利用无标记数据,使得经过优化SS-ELM模型更为健壮。