赵圣健，朱 翠，王雅妮

(北京信息科技大学 信息与通信工程学院，北京100101)

0 引言

随着基于位置服务(location-based services,LBS)业务的不断发展，全球定位系统(global positioning system,GPS)和蜂窝移动通信系统可以在室外环境中提供较为准确的定位服务，但其传输信号无法穿透墙体进入室内，无法提供准确的室内定位服务。与此同时，大型医院、大型图书馆、地下停车场、大型商场等场所，都需要较为精确的位置服务，人们对室内位置服务的需求变得日益迫切[1]。

典型的室内定位技术包括：无线局域网定位、蓝牙定位、红外定位、超声波定位、超宽带定位和射频识别(radio frequency identification,RFID)定位[2]。与其他定位技术相比，RFID具有抗干扰及穿透能力强、定位范围广等优势具有良好的适应性[3]，且因定位速度快、成本低、非视距(non-line-of-sight,NLOS)等特点被广泛应用于应急救援、资产管理、人员跟踪等领域[4-6]。

近年来，随着人工智能的快速发展，机器学习、深度学习等算法被广泛应用于各个领域。合适的机器学习算法应用于室内定位系统，能够有效地提高定位精度、增强系统鲁棒性和降低成本[7]。常见的机器学习算法有支持向量机(support vector machines,SVM)、K-近邻、人工神经网络(artificial neural network,ANN)、朴素贝叶斯、决策树以及随机森林等[8-9]。其中SVM处理小样本、非线性问题时具有较好的性能，但高维空间的复杂性则会带来较大的计算量和存储空间等问题[10]。K-近邻算法在定位过程中要对数据库中所有的样本数据进行计算，当数据量过大时会造成计算量过大的问题，无法实现实时定位[11]。ANN模型能适应噪声数据进行训练，具有良好的数据拟合能力，但前期需要大量数据训练网络模型来调整其权值、阈值等参数，训练成本非常高[12]。……