在室内定位技术中,应用最广泛的就是Wi Fi无线传感器。目前大多数基于Wi Fi室内指纹定位都采用两阶段法,第一阶段通过离线收集并记录RSSI信号数据,利用相应算法模型拟合其坐标,第二阶段在线测试,评价定位的精度。虽然两阶段指纹定位有较好的表现力,但随着时间和环境的变化,其定位精度会显著下降。其主要原因在于模型无法适应RSSI信号随着时间、温度、湿度等所发生的漂移,导致定位模型的退化。如何实现Wi Fi室内指纹定位模型的长期稳定性是本文的主要研究问题。本论文提出了全新的深度变分负相关定位模型,从增强多个集成学习器的表征能力出发作为切入点解决该问题。该模型具有以下核心贡献点:1.首次将负相关学习技术应用于室内定位中。通过对重构损失和坐标回归损失施加负相关约束,使得每一个学习器之间可以挖掘不一样的隐含特征,降低彼此的协方差,有效降低过拟合的发生,并极大地提升模型泛化能力。2.首次将变分推断和负相关学习相互结合,即将变分自编码器引入负相关室内定位模型之中。通过变分自编码器,使得隐层特征服从连续高斯正态分布,进一步提升模型的鲁棒性和适应能力。在实验环境中,利用负相关学习方法使定位模型在初始时候的平均定位误差从1.57米下降为0.77米,60天平均定位误差也仅为0.89米,而利用深度变分负相关的定位模型的平均定位误差从1.57米下降为0.74米,60天平均定位误差也仅为0.86米,相比于其他模型有显著的提升。实验证明将负相关技术和变分推断技术有机结合,定位精度不仅在短期内显著提升,而且模型在长时间间隔下仍工作稳定,有效提升模型定位的稳定性。除了提出了变分负相关定位模型算法外,本文另一核心贡献点是设计了一套完整的定位系统以便用户更为方便的使用。该系统由嵌入式采集器、移动终端App和Linux云平台组成。嵌入式模块采用ESP32采集器,得到的数据以JSON报文为格式,通过蓝牙和NBIOT设备发送至移动端和云端。移动端App具有实时显示RSSI数据、提供坐标定位、方便用户追踪指定Wi Fi基站锚点等功能。Linux云平台则可以存储不同时间段、不同采集设备的数据,可以记录历史运动坐标、查询历史数据交集等多项操作,方便用户进行分析。最后我们建立的深度变分负相关系统平台具有高精确度、高灵敏度等特性,使得用户通过该系统更加直观方便地使用Wi Fi定位服务。