王 超 ，单志勇

(1.东华大学 信息科学与技术学院，上海201620；2.数字化纺织技术教育部工程中心，上海201620)

0 引言

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，人们对基于用户位置服务(Location Based Services，LBS)[1]的需求愈来愈广泛。而室内定位技术作为LBS 中必不可少的底层技术，它的好坏将直接影响服务的质量，因此室内定位领域受到技术人员广泛关注，无线定位技术得到了极大的发展。 目前已经提出的定位技术有RFID、UWB、ZigBee[2]和WiFi[3]等。 相比于其他几种技术而言，WiFi 在人们日常生活中的覆盖率更高，且对硬件设备要求较低， 故而更具实践价值。 目前WiFi 定位技术已经成为室内定位技术研究的主要热点之一。

WiFi 定位方法很多，其中得到关注较多的是基于位置指纹定位法，该方法的内在机制是通过分析空间中WiFi 接收信号强度(Received Signal Strength，RSS)[4]来搭建RSS 与坐标之间的关系模型，以此来实现室内定位。 文献[5]构建了基于WiFi 的电磁指纹库的室内定位系统，分析了影响RSS 信号值的多种因素，使用了BP(Back Propagation)算法对数据进行非线性矫正，但是BP 神经网络的收敛速度并不理想。 文献[6]使用了粒子群(Particle Swarm Optimization，PSO)算法来优化BP 神经网络，构造PSO-BP 模型，但神经网络结构的复杂性限制了网络的输出精度。 文献[7]通过引入GRNN 网络来代替BP 神经网络，构建了GRNN 定位预测模型，但是模型参数的选择过于依赖人为调整，其多领域推广性价值不足。 文献[8]分别通过人为设置、交叉验证和智能寻优三种方式为GRNN 选择参数，对比发现，使用智能算法为GRNN 选择合适的参数具有更好的定位效果。……