随着科学技术的发展，在很多领域，在数据处理上出现了维数灾难，大量的高维数据使得计算机在数据处理上变得复杂，包括机器学习，数据处理，模式识别，中心计算等等。室内WLAN的定位算法在离线定位中储存的RadioMap数据由于维数过多，在不需要整张地图，需要实时更新的情况下，数据量过于庞大成为了实时下载的难题。　　首先，本文研究了一个局部线性嵌入算法(LLE)，作为一个非监督算法，它能发掘嵌入在高维数据中内部的低维流形结构，而这种算法作为一个局部算法，能保持局部近邻不变性。首先是邻域点的选取，通过选取的邻域点构造样本点，这种映射关系是建立在局部线性重构的假设基础上的，通过导出重构权值矩阵，并且最后的实际计算低维嵌入结果变成求解一个稀疏矩阵的特征值和特征向量问题。显然，LLE算法对于嵌入在高维数据内部的低维流形的降维易于实现。本文先后研究了LLE算法的数学推导和实现过程，并通过一些改进使得算法呈现更好的降维效果。进而，通过仿真展示了LLE算法对于三维数据中嵌入的二维流形的降维效果，并对该算法参数变化进行了仿真。　　其次，本文针对实时数据传输量大的问题，提出了一种在发送端利用BP网络进行压缩，之后保存权值，在终端重构数据的方法，大大减少了在实时传输中的数据量，保证了实时定位的快速有效性。首先阐述了室内定位的基本应用背景和研究现状，采用的仿真环境是所在楼的27个AP进行数据采集和实时仿真，应用的算法是目前比较通用的KNN算法，采取的核心压缩数据方法是改进后的BP神经网络，对网络训练和仿真。　　最后，本文针对BP网络输入端的数据，对实时的Radiomap图进行了归一化处理和仿真参数的预先设置。仿真结果表明，在选择合适的参数进行仿真的情况下，相比于RAR压缩，可以将整个Radiomap压缩到1/2甚至是1/3的数据量，并且能在一定的压缩程度上保持很高的稳定性，同时能保证压缩重构后的数据有允许的定位精度范围内的有损压缩。并针对网络参数的合理选择问题，应对不同的定位环境，结合半监督降维算法，给出最后的最优方案。