文章16篇，聚焦如下问题
问题1：指纹库采集不可能全面且耗费人工（小样本、众包）
内插1，数据增强2，众包3，
问题2：不同终端射频器件不同，测量结果不同，导致精度差（优先级低）
WiFi+PDR 4，接收信号强度差和压缩感知 8
问题3：指纹特征识别精度低
融合不同的特征量，融合历史信息。
RSS+TDOA 14，RSS+AOA 13，RSS+CSI+前一个历史信息 6，RSS衍生指纹 7， RSS+地磁 9
低通滤波器处理CSI+相位差校正 12
问题4：环境变化和多径影响，鲁棒性差
机器学习反馈环 5，不同AI算法的折中 11，迁移学习15
1、基于内插预处理 csi 相位和贝叶斯跟踪的指纹室内定位
Fingerprinting-based indoor localization using interpolated preprocessed csi phases and bayesian tracking
CSI特征。内插。
（1）预处理阶段，为指纹建立模型，在指纹不可测量的位置获得指纹精确插值。——怀疑精度
（2）指纹定位阶段，指纹匹配估计接收机位置；
（3）后处理阶段，结合本次估计，运动模型，给出最终估计。
2、一种改进的基于 RSSI 的指纹室内定位数据增强技术
Improved RSSI based data augmentation technique for fingerprint indoor localisation
减少指纹采集工作量。数据扩增技术。RSS特征
我们提出了一种改进的基于 RSSI 值的指纹室内定位系统的接收信号强度指示增强技术。 该技术是实现使用一个参考点可用的 RSSI 值，不同于现有的技术，它模仿不断变化的 RSSI 信号。 该方法在实验室模拟和实时环境下的测试精度分别达到95.26% 和94.59% ，平均定位误差分别为1.45和1.60 m。
3、基于 Co-Forest 和 Bayesian 压缩感知的众包网络室内定位研究
Research on Crowdsourcing network indoor localization based on Co-Forest and Bayesian Compressed Sensing
少量标记数据的指纹库构建。RSS特征
提出了一种基于共生森林和贝叶斯压缩感知的室内指纹定位方法(ILM-CFBCS) ，利用众包网络技术收集 RSS 数据，采用最小最大值法对数据进行预处理，建立室内指纹数据库。 根据 Co-Forest 算法训练的随机森林分类器的判决结果，结合多数原则确定用户的位置。 最后，结合贝叶斯压缩感知理论和参考点指纹相似性，提出了一种离线指纹数据库的构建方法，实现了指纹数据库的更新。
4、基于位置调整和设备校准的室内无线电地图构建
Indoor radio map construction based on position adjustment and equipment calibration
终端设备多样，众包定标不准问题。
融合PDR的众包修正。
5、恶劣工业制造环境中的基于多定位技术的强适应性定位系统
Multi-wireless interface system based on industrial Internet of things in harsh manufacturing environment
通过提出一种使系统适应高度可变条件的解决方案，本文填补了静态方法和室内动态方法之间的空白。所提出的解决方案利用了基于机器学习的反馈环，该反馈环学习了环境的可变性。即使在存在电磁环境变化的不同机器和工业物联网传感器的情况下，该反馈也使连续指纹校准变得可行。
6、室内定位增强的半序贯概率模型
Semi-Sequential Probabilistic Model for Indoor Localization Enhancement
利用短时记忆来提高室内定位性能的概率。RSS特征和CSI特征。前一个位置。
7、基于多分类器融合RSS衍生指纹的WiFi鲁棒定位（郭）
Robust WiFi Localization by Fusing Derivative Fingerprints of RSS and Multiple Classifiers
多特征融合架构
提出了一种基于多分类器(DIFMIC)融合 RSS 指纹图谱的无线局域网(WiFi)定位方法。 Difmic 首先从 RSS 指纹中提取双曲线位置指纹(HLF)和信号强度差异指纹(DIFF) ，构建多指纹群。 然后通过对每个指纹进行基本分类器的训练，获得多个指纹训练分类器。 为了充分利用指纹和分类器之间固有的补充性，提出了一种多约束的两层融合轮廓(权)联合优化算法。 我们还提出了一种融合轮廓选择(FPS)算法，智能地从两层融合轮廓中选择融合权重，从而实现更准确的定位。
8、一种基于接收信号强度差异的压缩感知室内指纹定位方法
A method of fingerprint indoor localization based on received signal strength difference by using compressive sensing
不同终端在同一时间同一位置的RSS不同。 针对这一问题，本文提出了一种基于接收信号强度差和压缩感知的融合方法(RSSD-CS) ，以减小终端不均匀性的影响。
9、室内外环境中指纹定位的深度学习方法（wifi+地磁）
Deep learning for fingerprint localization in indoor and outdoor environments
本文提出了一种基于深度学习的 Wi-Fi 和磁场定位系统。
10、模糊逻辑在无线定位中的应用综述
A survey of fuzzy logic in wireless localization
模糊集合和模糊推理系统最初是为了结合人类知识的粒度和灵活性，这些知识描述了复杂的系统行为，而不需要明确的精确的数学模型。
这项研究证明了模糊集合、模糊逻辑和模糊推理系统在无线定位问题中的好处。我们回顾和调查了各种模糊相关的技术和方法。
11、Smartloc: 基于机器学习的室内智能无线定位（郭）
SmartLoc: Smart Wireless Indoor Localization Empowered by Machine Learning
现有的基于 ml 的室内定位系统由于只采用概率最大的输出，鲁棒性较差。
提出 SmartLoc，在离线阶段，利用数据库训练多个 MLAs。 我们进一步应用概率比对来保证在相同的置信水平下每个 MLA 的预测概率。 在在线阶段，给定一个未知地点用户的测试 RSS 样本，从每个 MLA 中提取出概率大于一定阈值的标签，构造候选标签空间(SCL)。 利用本文提出的动态尺寸确定算法，可以自适应地确定 SCL 的尺寸。
在75% 的准确率上比各种比较方法中表现最好的方法高出10.8% 。鲁棒性更好。
12、基于 CSI 的离散 Hopfield 神经网络室内 Wi-Fi 定位
Discrete Hopfield neural network based indoor Wi-Fi localization using CSI
CSI由于指纹识别精度低、分类匹配效果不理想、易受环境影响等原因，定位效果差。相位校正方法？
在离线阶段，采用低通滤波器对每个参考点的指纹信息进行初步处理，然后采用相位差法对所有参考点的指纹数据进行校正。 该方法提高了指纹数据的质量，避免了室内环境的变化和信号的多径效应等影响指纹数据质量的问题。在实验环境下，该方法可以实现1.6 m 的定位精度。
13、 一种基于指纹的蜂窝移动无线电定位到达角机器学习方法
A scalable fingerprint-based angle-of-arrival machine learning approach for cellular mobile radio localization
蜂窝网，RSSI+到达角特征量。在基站较少和培训数据少的情况下更加稳定。
14、基于刚性图理论的 rss / tdoa 联合定位算法及克拉美罗下界分析
Cramér-Rao lower bound analysis of RSS/TDoA joint localization algorithms based on rigid graph theory
分析了几个参数对定位误差的影响，为这种室内定位算法提供了一致的评价方法。
15、基于迁移学习的设施维护管理增强 AR 空间注册
Transfer learning enhanced AR spatial registration for facility maintenance management
为了提高指纹识别的鲁棒性，提出了一种迁移学习技术——迁移 CNN-LSTM。 嵌入长短期记忆(LSTM)网络的卷积神经网络预测未标记指纹的位置。 该算法采用最大均值偏差(MK-MMD)的多核变异，以减小源域和目标域的分布差异，从而准确预测新收集的未标记指纹的位置。 实验验证表明，可转移 CNN-LSTM 空间配准的准确率为97.1% ，长期空间配准的准确率为87.8% ，多设备空间配准的准确率为90% 左右，与其他常规方法相比，具有更高的准确率和更好的鲁棒性。
16、一种新的基于 csi 的指纹定位系统
WiCLoc: A Novel CSI-based Fingerprint Localization System
在训练阶段融合 CSI 的幅度和相位信息生成指纹，在估计阶段采用加权 k 近邻算法进行指纹匹配。该系统在展厅和实验室的平均距离误差分别为0.85 m 和1.28 m。
