定位技术一直是学术界和工业界的研究热点.尽管研究人员在过去几十年研究出了一系列的定位技术,但是这些技术并不能满足所有使用场景的定位需求.比如GPS技术在平坦的室外环境下,能取得较高的定位精度.但是在城市建筑森林中,建筑物会频繁遮挡GPS信号,导致定位的时延增大、精度衰减.当今城市环境中WiFi热点无处不在,利用现有WiFi热点的定位技术正逐步成为一个研究热点.当前一些WiFi定位技术使用信号强度值作为指纹特征,通过建立信号传播模型来估计移动端的位置.另外一些定位模型通过WiFi信道状态信息来提取热点方向特征.但是,信号强度值易受环境影响,定位精度较差,而且基于信号传播模型的定位模型难以扩展.基于热点角度的估计值的定位模型,难以有效提取WiFi信道状态信息中隐藏的的全部特征,且存在扩展性较差的问题.
　　针对以上问题,本文提出用了两种WiFi指纹室外定位模型——RSPS模型和ABPS模型.这两种模型均基于WiFi信道状态信息指纹和机器学习技术.(1)RSPS模型是针对城市建筑环境周围空间复杂的特点提出来的.RSPS包括基于参考点聚类的区域划分算法.对于每个聚类,RSPS模型进一步建立参考点分类模型.同时RSPS模型还提出了一种基于参考点匹配概率平方加权的位置估计策略.与现有的WiFi指纹定位模型相比,RSPS算法不仅具有高可扩展性,同时具有较高的定位精度.(2)针对WiFi指纹的特征难以提取,以及从减少模型过拟合的角度,本文提出了ABPS模型.ABPS模型使用了基于栈式自编码器的自动化特征提取技术.自编码器能在对WiFi信道状态信息指纹进行特征提取的同时,降低指纹维度.同时,本文另一个贡献是提出了对各个热点的信道状态信息指纹分别使用自编码器提取特征的策略,有效降低了训练难度同时减少了降维编码所导致的信息损失.
　　本文使用商用移动设备和WiFi热点测量到WiFi信道状态信息指纹,并设计了真实的室外WiFi定位环境,采集到完全贴近真实场景的指纹数据集.本文所提出的两种模型,都在采集到的WiFi定位数据集上进行了实验对比和分析.实验结果表明,本文提出的2种模型比现有的WiFi指纹定位模型有更高的定位精度和可扩展性.