随着机器学习的不断发展,位置指纹定位的问题可以转化为机器学习的问题。极限学习机(ELM)算法具有学习速度快,计算复杂度低,泛化性能好的优点,已经被广泛应用于室内定位中。但是在室内定位中,训练数据中的指纹-接收信号强度(RSS)测量值容易受到恶意节点的攻击。同时由于离线数据库采集开销大,往往训练数据样本比较少。因此,本文开展了基于上述两个问题的极限学习机定位算法的研究工作。研究内容如下:(1)首先介绍了指纹定位技术的系统模型和工作原理,在此基础上描述了常用的位置指纹匹配算法。然后研究了极限学习机的相关理论,并对激活函数进行了详细描述,为后续的研究工作打下理论基础。(2)在恶意节点攻击条件下,提出了一种基于在线极限学习机和层次聚类技术的安全定位算法。在离线阶段,利用层次聚类技术辨别受到攻击的训练数据样本。最后利用在线极限学习机训练离线指纹数据训练库中未受到攻击的训练数据样本,获得接收信号强度测量值和所在位置的关系,得到位置递归函数。在线阶段,将采集到的信号强度向量代入离线阶段训练好的位置递归模型,得到位置估计值。算法将层次聚类技术和在线极限学习机应用于定位,利用层次聚类技术辨别受攻击的训练数据样本,排除野值点对离线训练的影响。同时利用在线极限学习机的连续学习能力,提升在线定位性能。(3)在小训练数据集下,提出基于多激活函数的极限学习机定位算法。离线阶段,为了增加非线性以及灵活性,由多种激活函数组成的多激活函数对训练数据进行基于位置的回归学习。利用交叉验证算法获得多激活函数的最优权重系数,从而获得更好的学习和泛化性能。在线阶段,当接收到RSS测量值后,利用位置回归函数计算最终的目标位置。同时对所提算法的训练误差进行了理论分析,理论推导给出了该算法定位误差的上、下限,从而证明该算法定位性能的优越性。