Thuật tốn định vị trong các tịa nhà sử dụng phương pháp Neural network giả định rằng việc phân tích bản đồ sĩng vơ tuyến RSS Fingerprinting rất phức tạp nên cần những hàm rời rạc phi tuyến tính để phân lớp bản đồ sĩng vơ tuyến này. Hơn nữa, thay vì tìm kiếm những hàm rời rạc thích hợp, phương pháp này được xem như một hộp đen xử lý thơng tin, thơng qua một kiến trúc gọi là neuron. Neuron bao gồm một tập các liên kết đầu vào cĩ hệ số trọng lượng, và một thành phần tính tổng hệ số trọng lượng của các thơng số đầu vào, và một hàm đánh giá cĩ dạng phi tuyến tính như hàm sigmoid(đường cong logic) f(x) = 1 / (1+e-x ). Mơ hình Neural Network được minh họa như sau:
Hình 2.7: Phương pháp Neural Network với hàm xử lý phi tuyến tính
W1 W2 Wn S1 S2 Sn Hàm xử lý phi tuyến tính Y Bias b I N P U T Output
Nhiều neuron liên kết với nhau trong cả 2 kiểu nối tiếp và song song tạo thành mạng neron. Các thơng tin tín hiệu di chuyển tuần tự từ tầng input đến tầng output và từ output của một neuron đến input của neuron khác. Các tầng ở giữa tầng input và output thường gọi là tầng ẩn. Tham số đầu vào gồm 3 đặc trưng mỗi đặc trưng đại diện cho RSS từ 3 AP. Tầng ẩn bao gồm 20 neuron và tầng output cĩ 19 neuron tương ứng 19 vị trí trên bản đồ.
Mỗi mạng neuron cĩ thể được huấn luyện với những mẫu của những vị trí Fingerprinting đã được đánh dấu để tính tốn lặp đi lặp lại tất cả các trọng lượng các khớp thần kinh trong các neuron. Quá trình huấn luyện cĩ tính tương tác với mỗi mẫu Fingerprinting tại một vị trí, trọng lượng của khớp thần kinh được điều chỉnh để đầu ra là vị trí đúng.
Neural Network là một mơ hình linh hoạt, nĩ khơng cần những thơng tin về mơi trường xung quanh như là vị trí của các AP và kiến trúc của tịa nhà.
Nhược điểm của phương pháp Neural Network là thời gian huấn luyện lâu và cần một tập dữ liệu huấn luyện lớn để cĩ thể ước lượng vị trí chính xác. Mặc dù phương thức Neural Network khác với phương pháp thống kê của phương pháp Nearest Neighbor, nhưng phương pháp này cũng cĩ chung cách tiếp cận nhận dạng các mẫu thống kê.