刘伟明金 韬汪启杭冯鹏宇

(浙江大学信息与电子工程学院，浙江 杭州310027)

近年来，尽管全球定位系统(Global Positioning System，GPS)能够为无线传感器提供定位信息，但是在室内定位上效果仍然不佳。 随着WiFi 技术不断的普及，基于WiFi 信号强度的室内定位系统越来越多地出现在市场上。 最常用的WiFi 定位技术是基于接收信号强度(Received Signal Strength Indication，RSSI)的指纹信息而建立的匹配系统[1-4]。 该系统工作通常有两个阶段，即离线数据采集的训练阶段和在线预测评估阶段。 之前研究人员常用的手段是基于最近邻分析(K-Nearest Neighbor，KNN)[5]或者支持向量机(Support Vector Machine，SVM)[6]的方式对RSSI 进行处理。 由于上述方法提取到的特征有限，并且训练策略较为单一，定位准确度相对较差[7]。 目前越来越多的研究人员开始采用深度学习的方法，通过提取RSSI 中更为有效的信息，从而得到更高的预测精确度。 但是现有的大多数模型都无法适应随时间或者环境剧烈变化的RSSI 信号，导致训练好的模型仅仅只能适用极短时间，若长期运行，则预测准确度大打折扣。 如何训练一个定位模型，使其可以长期适应RSSI 信号的漂变而不损失过多的预测精确度成为需要重点研究的课题。

RSSI 的信号强度会随时间、环境的改变而发生变化。 图1 是在不同时间、相同位置上采集1 min所得到的平均RSSI 信号强度分布，由图可见，短期(15 d)内RSSI 的整体信号强度的偏移相对较小，而在较长时间间隔(60 d)内，RSSI 的整体分布就已经和最初所采集的信号有了明显差异。 若重新去采集RSSI 数据再建立模型，则费时费力。……