地图导航、网约车、叫外卖等020应用(Online to Offline,线上到线下)服务于数以亿计的互联网用户,对用户定位的准确性要求极高,但GPS (Global Positioning System,全球定位系统)无法精确定位室内终端,所以业界大力推广基于WiFi的室内无线定位技术。现如今WiFi室内定位系统的实现方法多用“指纹数据库两步定位法”,该算法定位精度高于其他基于测距的算法,缺点是对计算机造成严重的运算负荷。机器学习算法广泛应用于大数据处理和数据挖掘,所以本文创新地将机器学习算法应用于WiFi室内定位系统的指纹数据库管理之中,并通过仿真和实验证明这不仅能减少系统运算量还能提高WiFi室内定位系统的定位精度。首先,以指纹数据库两步定位法为重点,研究WiFi定位技术的发展现状和技术优缺点。本文用MATLAB软件构建定位区域,部署参考点后采集位置指纹,采用并优化了机器学习中的匹配算法进行待定位点的位置估计。其次,为了减少定位阶段的计算量,本文引入并优化了机器学习中的聚类算法来管理指纹数据库。经过重新规划的指纹数据库在位置匹配时,则先寻找与待定位点最近邻的类中心,再遍历与该中心关联的同类参考点。核模糊C均值聚类法(Kernel fuzzy C-means,KFCM)可以将指纹数据按照目标函数最小化的方法分成k个类,但聚类个数和核函数参数的选择并不智能。本文先用样本密度法确定最佳聚类个数的值,然后用近似理想核矩阵的方法求得核函数的最优参数。最后本文用机器学习常用的Iris数据集进行仿真验证,结果表明本文提出的对于聚类个数和核函数参数的优化有效地提高了聚类性能。接下来,在北京邮电大学教二楼搭建了 WiFi室内定位系统,用优化聚类算法管理指纹数据库并用优化匹配算法进行目标的定位。本文分析了 WiFi接入点的个数和参考点的分布对指纹数据库两步定位法定位精度的影响,并用智能优化的核模糊C均值算法对指纹数据库进行规划,计算定位实验的均方根误差,实验表明,与传统算法相比,本文提出的基于机器学习算法的智能优化,有效减少了定位过程的运算量,并将定位系统的均方根误差减小了 23.55%。