WiFi 指纹定位是室内定位中的经典问题，其核心数据是扫描到的 AP 列表及其信号强度 (AP_MacAddress, RSSI)。原始数据通常稀疏、高维且变长，直接用于深度学习模型几乎不可行。

因此，表示学习的任务是将原始指纹转换为模型可以有效处理的输入形式。不同方法对输入表示的要求不同：

• 非深度学习方法通常直接使用稀疏向量或相似度计算，无需训练；

• MLP 基线通常将稀疏 AP-RSSI 向量填充为固定维度，形成高维稀疏向量输入网络；

• 嵌入表示方法则将每个 AP 的类别信息映射为低维向量（embedding），再与 RSSI 融合，通过聚合机制生成可学习的指纹表示。

不同的表示方式对模型能力和泛化效果有显著影响，本文将围绕三类方法进行探讨。

---

1. 非深度学习基线方案：向量相似度

最早的 WiFi 指纹定位方法，基于“指纹库”的概念：

1. 在每个已知位置采集 WiFi 指纹（扫描到的 AP 列表和 RSSI）

2. 构建稀疏向量，维度为所有 AP 的总数，RSSI 填入对应位置

3. 新观测的指纹与指纹库中每个位置向量计算相似度（如余弦相似度或欧氏距离）

4. 取最相似位置作为预测结果

优点：

• 简单直观，不需要训练

• 对少量数据表现稳定

缺点：

• 随着 AP 数量增加，向量非常稀疏，计算成本高

• 对 RSSI 噪声敏感

• 指纹库更新或 AP 增减需要重新计算

尽管简单，但这种方法在实践中常作为 基线方案，验证定位环境和数据质量。

---

2. 深度学习基线方案：MLP

随着深度学习兴起，研究者尝试用神经网络对 WiFi 指纹进行特征学习：

1. 将稀疏向量（每个 AP 对应一维）输入 多层感知机（MLP）

2. 输出设备坐标或位置类别

3. 网络通过反向传播自动学习 RSSI 对位置的非线性映射

优点：

• 可以捕捉复杂的非线性关系

• 相较于纯向量相似度，对噪声略微鲁棒

• 可扩展为回归坐标或分类区域

缺点：

• 仍然依赖稀疏向量，维度随 AP 数量增加

• AP 变动或新增需要重新训练

• MLP 对空间关系建模能力有限

MLP 是深度学习在 WiFi 指纹定位中的 入门基线，快速验证深度网络是否优于传统方法。

---

3. 可能的方向：嵌入表示

为了更好地表示稀疏且类别型的 WiFi 数据，现代方法倾向于 学习嵌入（embedding）表示：

1. 每个 AP 的 MAC 地址映射为低维向量

2. RSSI 与 AP embedding 融合

3. 用 聚合机制（如 Attention、Transformer、Graph Neural Network）生成固定维度指纹向量

4. 向量可用于定位回归或相似度搜索

优点：

• 解决稀疏、高维问题

• 对新增 AP 或缺失 AP 更鲁棒

• 能建模 AP 间关系和空间分布

缺点：

• 模型复杂，训练成本高

• 对小规模数据不一定比 MLP 优越

嵌入表示为 WiFi 指纹定位提供了一种现代表示学习思路，是 值得探索的方向。

---

总结

• 非深度学习基线：向量相似度，简单可靠，适合小场景和快速验证

• 深度学习基线：MLP，捕捉非线性关系，但对稀疏性仍有限

• 嵌入表示：学习低维向量，更鲁棒，可扩展性好，但训练复杂

选择方案取决于场景规模、AP 数量、定位精度需求以及计算资源。在实践中，通常先用向量相似度或 MLP 验证环境，再逐步尝试嵌入表示提升性能。

---

维智 Android 定位 SDK 是一套面向 Android 移动端应用的简单易用定位服务接口，为开发者提供融合定位能力。通过使用维智定位 SDK，开发者可以在不直接依赖底层 NLP 实现质量的前提下，为应用快速集成 极速、智能、精准、高效 的定位功能。