伴随着“互联网+”战略的推进落实,各类智能设备迅速普及。各种应用程序正在改变着人们的生活,从而催生出越来越多需要室内位置信息的场景。由于建筑墙体阻挡信号的传播,在室内无法采用全球定位系统进行精确定位。无线局域网(WLAN)技术标准日益完善,并且WLAN网络已经成为绝大多数建筑物的标准配置。基于WLAN的室内定位方法仅需使用建筑物内部的WLAN网络,能耗低、误差小,是室内定位技术的重点研究方向。本课题提出一种基于线性判别分析(LDA)和梯度提升树(GBDT)的WLAN室内定位算法,主要完成了如下五方面工作:(1)对国内外研究人员在室内定位领域取得的主要成果进行了总结,明确了本课题研究的意义。对WLAN的基本原理和技术标准进行了阐述,分析了WLAN室内定位中涉及的几何解算法和位置指纹法的基本理论,对这两类方法中包含的主要算法进行了探究,并分别指出了这些算法的不足之处。本课题对无须额外配置硬件且定位精度较高的位置指纹法进行了研究。(2)对接入点(AP)的接收信号强度值(RSSI)的特性和影响其准确性的因素进行了分析,针对RSSI值随时间不规律变化的问题,提出了基于LDA的定位特征提取算法,该算法可以充分利用参考点的坐标信息,有效去除原始位置指纹中的冗余特征和异常信号。(3)针对LDA提取位置指纹的主要定位特征后,仅利用个体学习算法计算待定点位置坐标的方法不能满足WLAN室内定位系统精度的要求,提出了基于集成学习的GBDT定位算法。该算法首先利用前向分布算法将损失函数的负梯度值作为定位误差的近似值拟合一个分类回归树(CART);接着采用加法模型将各次迭代生成的CART回归树线性结合,生成最终的GBDT定位算法。将LDA定位特征提取算法与GBDT定位算法结合,构成LDA-GBDT定位算法。(4)在公开数据集上对本文提出的LDA-GBDT定位算法的有效性进行了验证。实验从保留指纹空间维度、CART回归树最大深度、AP数量等多个不同方面开展。实验结果显示,本文所提出的LDA-GBDT定位算法在公开数据集场景下的定位精度为1.51m,与其他WLAN室内定位算法相比具有更高的精确度。(5)为了在真实场景下进一步验证LDA-GBDT定位算法的有效性,本课题设计了一款WLAN室内定位软件,并利用该软件采集真实场景下的实验数据。实验结果显示,本文所提出的LDA-GBDT定位算法在真实场景下的定位误差为1.19m,与其他定位算法相比具有显著的优势。