基于神经网络的无线定位技术一直是国内外学者研究的热点。由于随着城市无线电环境越来越复杂,传统的定位方法受到的干扰越来越多,导致定位误差变大。基于神经网络的定位技术往往需要较多的样本数据,训练时间长,工作效率低。因此研究一种定位速度快、定位精度高的神经网络无线定位技术非常必要。本文提出了一种改进的核极限学习机的定位算法,对一定区域内的未知发射源进行定位。该算法主要解决的是定位结果受外部环境干扰较大和神经网络无线定位算法训练耗时较长的问题。极限学习机的定位方式属于非测量的定位方式,极限学习机属于前馈神经网络,具有良好的抗干扰能力。极限学习机具有训练速度远快与其他同类学习算法的优点可以提高定位的速度。因此选择以极限学习机为基础进行定位。首先,采取在同一位置进行多次测量的方法得到训练数据;然后,再把同一位置测得的数据划分为一个样本子空间并提取样本子空间的特征,以样本子空间的特征代替原来的训练数据;同时,利用矩阵近似及矩阵扩展的相关理论改进核极限学习机算法;最后,将得到的处理过的训练数据利用改进的核极限学习机进行训练,得到定位预测模型。通过仿真实验表明,在相同数据集下,改进的核极限学习机训练用时短,定位速度快;在相同噪声干扰情况下,此算法的定位预测误差较小。经验证,该算法不但能提高网络的训练速度,定位速度,还能有效地降低噪声的干扰,提高定位精度。