本成果针对室内定位技术精度不足的问题，提出了一种基于反向传播神经网络（BPNN）的概率密度预测方法。研究内容涵盖测试区域选取、数据收集与预处理、BPNN模型改进及验证等多个环节。通过多层室内结构正方形测试区域的标准参考点布置和RSSI信号发射器设置，收集RSSI值和角度值数据，并进行归一化处理。随后，利用改进后的BPNN模型进行训练与测试，以提高室内定位精度。
该成果的创新点在于解决了不同环境下室内位置数据分布模拟不佳及概率计算误差大的问题，显著提升了室内定位精度。
在成果应用方面，该方法已应用于博物馆导航、消防等领域，有效提升了用户体验和安全性。其高精度定位能力为室内移动设备的传统使用模式带来了变革，产生了显著的社会效益。
研发团队由多位在室内定位技术和神经网络领域具有丰富经验的专家组成，他们紧密合作，共同攻克技术难题，确保了研究工作的顺利进行和成果的顺利产出。管理团队则负责项目的整体规划和资源调配，确保研发工作的高效推进。
微信公众号