随着移动互联网和智能终端的迅猛发展,我们已经踏入了移动信息化的时代,在无线网络为人们提供方便快捷的上网需求的同时,人们对位置信息服务又给予了更高的要求,而目前的位置服务绝大多数仅限于室外;近年来有很多的学者对室内信息服务进行了研究,但仍然存在定位不稳定、效率低、精度不够的问题。支持向量机(Support Vector Machine,SVM),是一种基于结构风险最小化原则的机器学习算法,较好的克服了其它像K近邻算法和神经网络所表现出来的缺陷,所以本文采用SVM作为核心的定位算法,然后又选取了目前较为先进并且效率较高的烟花算法对SVM的参数进行优化,最后经过实验证明在定位效率、精度方面都有所提高,本文主要工作如下:(1)采用克里金插值法对位置指纹库进行扩充。基于确定性的位置指纹和非确定性的位置指纹定位方法都存在一个难题,就是需要提前在离线阶段建立指纹库,若定位面积相对比较庞大时,为保证定位精度,指纹库中的参考点的数量必然会增加,同样,对参考点的信息采集也需要更多的人力物力,为解决此问题,采用了克里金插值的方法,经过实验证明,在离线阶段能减少40%的信息采集工作量。(2)为了减少室内复杂环境对无线定位的影响,及迎合大区域定位的需求,采用基于SVM分类和回归模型进行定位,离线阶段针对整个定位区域建立分类模型,以及每个类别对应的回归模型,在线阶段首先通过定位分类模型确定用户所在的区域类别,然后根据对应的回归模型计算用户的具体位置坐标。这样不仅能有效减少定位误差,而且定位时间也有所缩短。(3)在SVM分类和回归的应用过程中,惩罚参数C和核参数γ的选取对实验结果起着很大的作用,本文引入了一种新的群体智能优化算法——烟花算法对SVM的参数进行优化,通过更新爆炸算子和变异算子,对烟花进行不断的更新,并采用一种高效的轮盘赌的方式对下一代烟花进行选取,通过实验与另一种典型的群体智能优化算法——粒子群算法进行对比,不仅寻优时间更短,而且寻优效果更好。