刘 帅，王旭东，吴 楠

大连海事大学信息科学技术学院, 大连 116033

随着智能移动设备的快速发展，人们对于定位服务的需求日益强烈[1−3]，例如室内导航和位置追踪等[4−5]. 室外定位凭借全球卫星导航系统（Global navigation satellite system，GNSS）已经可以满足日常生活的定位需求. 然而对于室内定位，由于存在严重的阴影衰落和多径传播，致使卫星信号在室内环境中无法实现有效定位[6]. 目前存在的室内定位技术主要有蓝牙、Wi-Fi、超带宽、射频识别和可见光等[7−10]，其中由于Wi-Fi成本低、部署方便、覆盖范围广等特点，在室内定位中得到了广泛的应用[11−12].

许多Wi-Fi指纹室内定位系统采用接收信号强度（Received signal strength，RSS）作为指纹，利用了RSS获取简单，对硬件复杂度要求较低的特点[13−14]. 文献 [15]提出了 RADAR 系统，是第一个采用RSS作为指纹的室内定位系统，通过将模拟测量与信号传播模型相结合起来确定用户位置，并取得了一定的定位精度. 为了进一步提高定位精度，文献[16]提出了Horus系统，该系统提供了一种联合聚类技术来用于位置估计，定位时使用了概率方法，每个候选位置坐标被视为一个类别，较RADAR获得了更好的定位效果. 上述文献所采用的定位方法均为传统的匹配算法. 与此同时，深度学习技术的发展，为利用神经网络提取指纹信息提供了有效途径. 文献[17]将运动轨迹与RSS结合，通过长短期记忆网络（Long short-term memory，LSTM）提取运动轨迹中RSS的变化特征，取得了0.75 m的平均误差，但需要利用6个接入点（Access Point，AP）进行数据接收. 采用 RSS作为指纹虽然有获取简单的优点，但无……