随着普适技术的发展和移动终端设备性能的不断提高,用户位置信息被广泛的使用,基于用户位置信息服务(location based service,LBS)的需求越来越高。卫星导航定位服务在室外能够提供较好的定位服务,但在室内环境中,卫星信号很难穿过建筑物到达室内而被检测到,无法满足用户在室内的位置信息服务需求。因此,室内定位技术就成了当前位置信息服务的研究热点。基于Wi-Fi和地磁的室内定位不需要部署额外的设备,用户只需拥有智能设备就可实现定位,因此这两种方法在室内定位中成为热点。在大型室内环境中,使用单一的地磁定位技术或者Wi-Fi技术都比较难以提供很好地位置信息服务。单一的Wi-Fi信号很难为用户提供精确的位置信息,而单一的地磁信号在大型室内环境则需要大量的人力和物力构建指纹库,并且当指纹库过于庞大时,定位阶段的定位时间会大大增加。因此,针对大型室内环境中定位本文提出将两者进行结合,具体包括以下两个方面:(1)首先在大型环境中,设计一种基于Wi-Fi指纹库文本分类的室内房间级定位算法。传统的基于Wi-Fi指纹库匹配方法由于Wi-Fi信号强度不稳定,导致定位误差较大。因此,本文引入短文本方法,将Wi-Fi信号强度转换成短文本单词,进而Wi-Fi指纹库转换成短文数据集,使用文本分类算法进行室内房间级定位,利用98个商场数据(10组)对该方法进行训练和测试,定位精度保持在97%左右,并且与其他方法定位时间对比,有明显的减少。试验结果表明,所提出的定位方法能够有效提升定位精度和减少定位时间,取得较好的定位性能。(2)基于Wi-Fi房间级定位后,得到精准的房间位置信息,在该房间使用更稳定地磁定位,从而得到更加精确的位置信息。因此设计了一种基于集成学习与BP神经网络的室内地磁定位算法。针对当前室内地磁定位技术中存在地磁信号不稳定以及地磁指纹不唯一所造成定位误差大的问题,本文引入BP神经网络模型作为弱预测器,通过集成学习的方法将多组弱预测器集成为强预测器。以UJIIndoorLoc-Mag数据集作为测试集,通过实验测试了 11条路径,定位误差2.64米,以个人采集的数据集为测试集,通过实验测试了 7条路径,定位误差0.92米,表明所提出的定位方法能够有效降低定位误差。图[5,6]表[13,15,15]参[48,49,50]