Gần đây, kỹ thuật Support Vector Machine (SVM đã được giới thiệu như một phân loại giám sát phi tham số để tiếp cận vấn đề định vị trong nhà. Các thuật tốn SVM cĩ nguồn gốc từ lý thuyết học thống kê được giới thiệu bởi Vapnik trong đĩ kết hợp các kỹ thuật thống kê, học máy, và mạng neuron với nhau. Để ước tính sự phụ thuộc giữa các RSS Fingerprinting và vị trí từ những mẫu thu thập, phương pháp này khơng yêu cầu chi tiết thuộc tính của sự phụ thuộc như mơ hình lan truyền như trong các phương pháp xác suất. Sức mạnh của
thuật tốn SVMs nằm trong khả năng của nĩ để khái quát phân loại làm tối thiểu lỗi kiểm tra hoặc các lỗi phân loại cho các dữ liệu sau giai đoạn huấn luyện. Nĩi cách khác, các máy học cĩ thể được huấn luyện một cách chính xác bằng cách học hỏi từ một tập huấn luyện nhỏ và tạo ra đủ cơ cấu để phân loại dữ liệu mà khơng ghi nhớ hoặc mẫu đào tạo bị overfitting (là hiện tượng lượng dữ liệu khơng cần thiết được đưa vào dữ liệu huấn luyện khiến cho kết quả trả về khơng tối ưu).
Ý tưởng cơ bản của thuật tốn SVM được dựa trên nguyên tắc Structural Risk Minimization (SRM) để giảm thiểu nguy cơ bị ràng buộc trên một hàm rủi ro hoặc lỗi tổng quát mong đợi.
Vấn đề của phân loại RSS Fingerprinting cĩ thể được xem như một trường hợp phân loại phi tuyến tính.
Đầu tiên, các vectơ vị trí của Fingerprint được ánh xạ vào một khơng gian nhiều chiều hơn gọi là khơng gian đặc trưng bằng cách sử dụng một chức năng được gọi là hạt nhân của SVM để thực hiện chuyển đổi vector .
Cĩ một loạt các chức năng hạt nhân SVM để lựa chọn như hàm đa thức, Radial Basic Funtions (RBF), hàm sigmoid, và phân tích phương sai (ANOVA).
Cuối cùng, các thuật tốn SVM tạo ra một bộ phân loại (Hyperplane) hoặc quyết định tách bề mặt tối ưu trong khơng gian và sử dụng hyperplane để thực hiện phân loại. Support Vector là các vectơ đào tạo cần thiết để xác định hyperplane, vì vậy, các SVM là các thuật tốn học (máy) dựa trên Support Vector. Các thuật tốn SVM phù hợp hơn trong việc giải quyết vấn đề phân loại, tức là để xác định xem khu vực này là bên trong hay bên ngồi một căn phịng. Hiệu suất của các hệ thống định vị phụ thuộc vào lỗi chấp nhận chứ khơng phải là lỗi phân loại, cĩ nghĩa là bình phương trung bình lỗi trong các phương pháp khác. Để cải thiện hiệu suất phân loại, một hạt nhân thích hợp của
SVM và các thơng số của nĩ phải được lựa chọn thích hợp vì cĩ một số chức năng hạt nhân để lựa chọn.
Từ quan điểm mơ hình lý thuyết của nghiên cứu này, các SVM quá phức tạp để cài đặt và thiết kế một hệ thống định vị trong nhà.