近年来随着第四代网络通信技术的成熟和微电子行业的迅速发展,移动终端设备在人们日常生活中得到很大程度的普及,由此基于用户位置服务(Location Based Services,LBS)的需求也日益增长,同时也对定位质量提出了很高的要求。因为卫星信号的传播在室内环境受到钢筋水泥等建筑掩体的遮挡,所以基于电磁信号的室内定位研究开始受到广泛关注。针对电磁信号的传播建立了损耗模型,表明Wi Fi(Wireless Fidelity,Wi Fi)信号在传播过程中经过不同区域会产生一定的质量衰减,正是利用这种信号的差异,依据接收信号强度(received signal strength,RSS)建立电磁指纹库的定位方式成为主流解决方案之一。通过阅读和查找近年来国内外的相关资料与文献,并且结合数据挖掘技术与机器学习知识对采集的Wi Fi数据进行处理并建模分析。本研究通过专用电磁信号采集工具收集Wi Fi信号数据,基于对Wi Fi信号的衰减特性进行分析,然后融合数据挖掘知识与机器学习技术,提出一种改进的Wi Fi室内指纹定位方法,对于定位流程分为离线阶段和在线阶段两部分。该文在指纹定位离线阶段:其一,主要对所采集到的Wi Fi数据进行清洗,包括去缺失值、处理无效数据等操作,以进一步提取特征信息。其二,主要通过聚类手段分析数据之间的聚合特性构建指纹数据库。而该文对于在线定位阶段,通过机器学习理论中的分类器,预测当前位置信息。以上所描述工作的主要创新点如下:(1)本文提出结合KNN的改进密度峰值聚类算法(improved density peak cluster,K-IDPC)。该算法的主要内容为:本文针对普通密度峰值聚类算法对定位数据密度不均衡,聚类中心区分度不高的问题,引入关联系数用于表示样本数据对密度的贡献程度。同时,利用KNN思想解决了聚类过程中的离群点问题,进而提高了对定位环境的鲁棒性。此外,本研究结合数据切分算法,对离线电磁信号数据进行切割,将大数据集划分为若干小数据集,降低了改进聚类算法的计算复杂度。(2)针对在线阶段通常利用传统朴素贝叶斯算法进行位置分析,算法对于定位数据样本的独立性假设具有主观性和局限性,且增加了计算开销的问题。本文提出后验加权贝叶斯算法(posterior weighted na?ve Bayes algorithm,PWNB)。该算法的主要内容为:首先利用高斯混合模型(Gaussian mixture model,GMM)计算在定位时刻多个Wi Fi叠加状态的相互影响从而得到权重系数,以反映定位数据之间的关联性。其次,通过计算不同定位区域的特征数据方差,然后根据方差的波动特征决定新定位数据在本轮是否需要计算。此计算过程称为后验概率估计过程,将显著提高了分类器的即时性。最后,基于上述理论方法并通过实验分析。依据Wi Fi信号的衰减特性,通过实验结果表明传统的NB与DPC算法组合定位准确率仅有82%,运用提出的PWNB和K-IDPC算法组合定位准确率可以达到98%。并且从定位时间分析,使用本文所提出的算法其定位平均时间仅有17.2s,大大提高了定位效率。