La localización en interiores es un área de investigación dinámica y emocionante. El WiFi ha demostrado una capacidad tremenda para la localización interna, ya que es ampliamente utilizado y fácilmente accesible. Facilitar el uso de WiFi para este propósito requiere la formación de huellas dactilares y la implementación de un algoritmo de aprendizaje con el objetivo de utilizar la huella dactilar para determinar ubicaciones. El aspecto más difícil de las técnicas basadas en huellas dactilares es el efecto de los cambios ambientales dinámicos en la autenticación de huellas dactilares. Con el objetivo de abordar este problema, muchos expertos han adoptado métodos de aprendizaje por transferencia, aunque en la localización interna por WiFi, la calidad dinámica del cambio en la huella dactilar tiene algunos factores cíclicos que requieren el uso de conocimientos previos en diversas situaciones. Así, este artículo presenta la técnica de máquina de aprendizaje extremo secuencial en línea adaptativa a características máxima (MFA-OSELM), que utiliza conocimientos previos para manejar los factores dinámicos cíclicos que son provocados por el problema de la movilidad, que está presente en entornos internos. Esta investigación amplía el estudio anterior de la máquina de aprendizaje extremo secuencial en línea adaptativa a características (FA-OSELM). Los resultados de esta investigación demuestran que MFA-OSELM es superior a FA-OSELM dada su capacidad para preservar datos previos cuando una persona regresa a ubicaciones que había visitado anteriormente. Además, siempre hay un cambio positivo en la precisión al utilizar MFA-OSELM, siendo el mejor cambio logrado del 27% (rango del ocho al 27% y del seis al 18% para los conjuntos de datos de TampereU y UJIIndoorLoc, respectivamente), lo que prueba la eficiencia de MFA-OSELM en la restauración del conocimiento previo.