随着科技的进步,特别是移动通信、无线局域网技术的快速发展,基于位置的服务(Location Based Services,LBS)越来越受关注,人们对定位与导航的需求日益增大。尤其是在复杂的室内环境中,如机场大厅、展厅、仓库、超市、图书馆、地下停车场等,常常需要确定移动终端或其持有者、设施与物品在室内的位置。但与室外环境相比,室内环境受定位时间、定位精度及室内复杂环境等条件限制,因此比较完善的定位技术目前还无法得到很好的利用。另外,由于复杂环境下的室内定位在地下救援、智能家居、大型展厅等具有重要的应用背景,所以对室内定位的研究可在一定程度上提高生活质量,保护生命财产安全。目前常用的室内定位技术有射频识别技术、蓝牙定位技术、ZigBee定位技术、无线局域网(Wireless Local Area Networks,WLAN)定位技术等,WLAN定位技术由于其定位速度快、精度较高、成本低,成为目前室内定位的最优选择。WLAN定位系统通常采用的是基于机器学习的定位方案,这种方案分为两个阶段:离线阶段,采集足够的训练数据,建立环境模型,得到WLAN信号的分布情况;在线阶段,采集实时数据,导入已经建立的模型,得到当前的定位结果。针对当前室内定位技术定位精度不高的问题,本文提出了一种改进的位置指纹算法,用最小二乘支持向量机(Least Squares Supported Vector Machine,LSSVM)构建出接收信号强度(Received Signal Strength Indicator,RSSI)与收发设备间角度的非线性映射关系,来代替传统的支持向量机训练接收信号强度与物理坐标位置。首先根据室内环境,将定位区域划分成若干个矩形小区域,利用K最近邻法(K Nearest Neighbors,KNN),将测试点归类;然后在该矩形小区域内,利用支持向量机训练接收信号强度与收发设备间角度,从而估算出测试点与该区域边缘的接入点(Access Point,AP)夹角;最后利用几何关系,确定测试点的坐标位置。实验结果表明,相比于传统的训练RSSI与坐标的位置指纹法,训练RSSI与收发设备间的角度定位效果更佳;同时比较LSSVM训练坐标、最大似然法(Maximum Likelihood,ML)算法、KNN算法,用LSSVM训练角度取得了更高的定位精度。