1.一种WiFi指纹室内定位方法，其特征在于，包括如下步骤：
1)离线数据采集；
1-1)在参考点处进行数据采集；
1-1-1)在整个待定位区域范围内用接收机检测所有可见AP，记共检测到totalmac个AP；所述接收机为手机和掌上电脑；AP指访问节点，totalmac为自然数；
1-1-2)设置参考点并记录接收到的所有可见AP的信号强度和MAC地址；记共设置了RefNum个参考点，RefNum是自然数；所述MAC地址用于区别不同的WiFi，与WiFi网络的BSSID相同，BSSID的中文含义是基本服务集标识；
1-1-3)计算参考点处接收到的来自同一AP(MAC地址相同)的信号强度的平均值；
1-2)生成位置指纹记录；
具体是，记录每个参考点的位置指纹记录，总共记录RefNum个参考点的位置指纹记录；
2)分区域，即按训练子集训练最小二乘支持向量回归机模型；
2-1)数据预处理以及生成训练集；
2-1-1)计算RSS平均值和统计方差；
具体是，当所述步骤(1-2)中的RefNum个参考点的采样数据全部记录完后，需依次计算来自不同AP的WiFi信号的RSS均值、统计方差，该过程共需统计所述步骤(1-1-1)检测到的totalmac个AP的WiFi信号的RSS均值、统计方差；不同AP即MAC地址不同；
2-1-2)数据的去除；
具体是，当来自某AP的WiFi信号的RSS统计方差较小时，认为不足以满足定位对数据差异性的要求，去除所有来自该的WiFi信号强度数据；
较小的含义是RSS统计方差小于16；
2-1-3)数据的归一化；
具体是，将不同参考点处获得的来自不同AP的WiFi信号的RSS依次归一化，该过程共需统计RefNum个参考点，每个参考点计算来自totalmac个AP的RSS归一化值；
2-1-4)数据聚类；
2-1-4-1)使用固定超球体积确定聚类中心个数k，k为自然数；
具体是，将上述步骤(2-1-3)生成的不同参考点处获得的来自不同AP的WiFi信号的RSS归一化值组成总体训练集，遍历总体训练集中所有条目，计算所有条目之间最大欧氏距离，所有参考点都应包含在由该最大欧式距离确定的超球中，让聚类后形成的子区域对应的超球体积固定，用超球体积之比作为聚类中心的个数k，即定位子区域的个数；计算总体训练集中所有条目之间的最大k个欧氏距离，从这k个欧氏距离对应的2k个条目中随机选取k个条目，作为步骤(2-1-4-2)中聚类的k个初始聚类中心；
2-1-4-2)使用接收信号强度的欧式距离和坐标距离度量的聚类算法进行聚类；
2-1-5)重新生成训练子集；
具体是，所述步骤(2-1-4-2)进行完后，形成若干个聚类中心，将总体训练集中每个条目划分到一个聚类中心；
2-2)按训练子集(分区域)训练最小二乘支持向量回归机模型；
2-2-1)使用新型核函数K(x,x')训练子集训练x轴坐标的最小二乘支持向量回归机模型；
具体是，使用新型核函数K(x,x')训练子集训练x轴坐标的最小二乘支持向量回归机模型，确定各个训练子集x轴坐标的回归函数、统计方差和标准差；
2-2-2)使用新型核函数K(x,x')训练子集训练y轴坐标的最小二乘支持向量回归机模型；
具体是，使用本发明的新型核函数K(x,x')训练子集训练y轴坐标的最小二乘支持向量回归机模型，确定各个训练子集y轴坐标的回归函数、统计方差和标准差；
K(x,x')定义见下述公式(95)，
其中，exp()是以e为底数的指数函数，ρ取值为正数，都是训练集中的数据，都是n维向量，xl、x'l分别是x、x'的第l维分量；
3)进行在线位置解算；
3-1)计算权重因子；
具体是，获得待定位点的位置指纹后，计算该位置指纹与所述步骤(2-1-4-2)中获得的k个聚类中心的WiFi信号强度的欧氏距离，然后计算k个聚类中心在最终定位结果中所占权重，选取其中最大的3个权重因子并记录这3个权重因子对应的3个训练子集；
3-2)进行位置坐标的计算；
具体是，将待定位点的位置指纹分别代入对应的3个训练子集的x轴坐标的最小二乘支持向量回归机的回归函数，计算对应的x轴坐标的输出值，再将所述步骤(3-1)中对应的权重因子作为权重，加权计算出本发明最终输出的x轴坐标；
同理，将待定位点的位置指纹分别代入对应的3个训练子集的y轴坐标的最小二乘支持向量回归机的回归函数，计算对应的y轴坐标的输出值，再将所述步骤(3-1)中对应的权重因子作为权重，加权计算出本发明最终输出的y轴坐标。
2.根据权利要求1所述的WiFi指纹室内定位方法，其特征在于，步骤(1)所述离线数据采集，具体方法如下：
1-1)在参考点处进行数据采集
1-1-1)在整个待定位区域范围内用接收机检测所有可见AP，记录所有可见AP的MAC地址，记共检测到totalmac个，则MAC地址依次是MAC1,MAC2,…,MACtotalmac；
1-1-2)在待定位区域范围内横向和纵向分别每隔interval米设置一个参考点记录参考点的物理位置；横向对应x轴，纵向对应y轴；interval的值介于0.3到2之间，典型值是
0.5；参考点的总个数记为RefNum个，在每个参考点处每隔Tsa秒采样一次，共采样SaNum次；
其中，15≤Tsa≤25，Tsa的典型值是20；10≤SaNum≤20，且SaNum是自然数，典型值是12；
每次采样记录接收到的所有可见AP的信号强度、MAC地址，记第se次采样只检测到了p个AP的无线信号，se为自然数；将这p个AP按编号从小到大按下列⑴式排列，并记录这p个AP的MAC地址依次是
其中1≤N1将接收到的来自这些AP的WiFi信号强度记录为
其中，符号“[]”表示组成一次采样的结果，“：”表示对应关系，locNum是该参考点编号，从1开始，每个采样点的所有采样结束后该值增加1，xlocNum和ylocNum分别表示该采样点x轴和y轴方向上的物理坐标；
表示第se次采样中，接收到的MAC地址是 的AP的WiFi信号
强度为 的范围是[-100,0]；对于MAC地址是 的AP，如第se次采
样中未接收到信号，则该参考点处对该AP的所有SaNum次采样的WiFi信号强度均记为-101；
1-1-3)将该采样点处SaNum次采样的平均值作为接收到的对应AP的WiFi信号强度，当所有SaNum次采样进行完后，该参考点接收到MAC地址是 的AP的WiFi信号强度按下述公式⑶计算；
其中， 表示RSS是与locNum和 有关的量，显然，对于
MAC地址是 的AP，第se次采样中未接收到信号，则根据本步骤的前述记录方法，有
1-2)生成位置指纹记录；
将生成的每一条位置指纹记录表示如下，
其中，locNum是该参考点编号，从1开始，到RefNum，每个采样点所有采样结束后该值增加1；xlocNum和ylocNum分别表示该采样点x轴和y轴方向上的物理坐标；符号“[]”表示组成一条位置指纹记录；“：”表示对应关系； 表示该采样点
处接收到MAC地址是 的AP的WiFi信号强度是 其中
按所述步骤(1-1)的方法计算。
3.根据权利要求2所述的WiFi指纹室内定位方法，其特征在于，所述步骤(2-1-1)计算RSS平均值和统计方差的具体方法，包括如下步骤：
将接收到的来自MAC相同的AP的WiFi信号强度中满足
的条目按公式⑸组成一个新的集合
此处记为 信号强度为所述步骤(1-1)中的
表示该集合与 有关，记该集合中的
元素 个数 为 则 按下 述公 式⑹ 计 算集 合
中所有元素的平均值
其中 表示对集合
中所有元素求和，按下述公式⑺计算集合 中所有元素
的统计方差；
4.根据权利要求3所述的WiFi指纹室内定位方法，其特征在于，所述步骤(2-1-2)数据的去除，去除步骤的前提是当统计方差 较小时，典型值是
认为集合 中的
元素的区别度很小，不足以满足定位对数据差异性的要求，去除所有来自MAC地址是的AP的WiFi信号强度数据。
5.根据权利要求4所述的WiFi指纹室内定位方法，其特征在于，所述步骤(2-1-3)数据的归一化的方法，包括如下步骤，记所述步骤(2-1-1)的集合
中所有元素的最大值是 最小值是
对于不同的接收机，其增益不同，因此即使在固定的两个
参考位置上，不同的接收机测量同一AP的接收信号强度也有固定差值，则使用如下方法消除差异：用测量值减去在整个待测区域中的测量得到的最小值
然后再进行归一化，具体按下述公式⑻计算归一化的
RSS值
定义和记录方法见所述步骤(1-1)，则最终得到的RSS归
一化值 满足
6.根据权利要求5所述的WiFi指纹室内定位方法，其特征在于，所述步骤(2-1-4)数据聚类，包括如下步骤：
2-1-4-1)使用固定超球体积确定聚类中心个数；
将上述步骤(2-1-3)生成的不同参考点处获得的来自不同AP的WiFi信号的RSS归一化值组成如下总体训练集TotalTraining；
其中，符号“{}”表示组成训练集，每个“[]”内的数据是一个归一化数据条目，且对应于一个参考点，locNum是该参考点编号，从1开始，依次加1，xlocNum和ylocNum分别表示该采样点x轴和y轴方向上的物理坐标，MACj:rss(locNum,MACj)按所述步骤(2-1-3)计算，表示在编号为locNum的参考点上计算的MAC地址是MACj的AP的WiFi信号强度归一化值是rss(locNum,MACj)，参考点的总个数为RefNum个，totalmac是在待定位区域内共检测到的可见AP数目；
按下述公式(11)计算总体训练集TotalTraining中第p个和第k个归一化数据条目之间的欧式距离
令p依次等于1,2,……,RefNum，从而遍历TotalTraining中所有条目，对于一个固定的p值，令k也依次等于1,2,……,RefNum，对于每一对p和k，都按上述公式(11)计算欧式距离，最后，取所有欧式距离中的最大值作为总体训练集TotalTraining中所有条目之间最大欧氏距离TotalTrainingMaxDist，记录所有欧式距离中较大的k(k的值按下述公式(15)计算)个距离对应的p值和q值，则一共有2k个数值，从中随机取k个，序号依次为V1,V2,...,Vk，其中，1≤V1聚类中心的个数即定位子区域的个数k按下述公式(15)计算
k＝DivNumtotalmac (15)；
其中，DivNum＝2,3,……,10，典型值是2，totalmac的定义见所述步骤(1-1-1)；
2-1-4-2)使用接收信号强度的欧式距离和坐标距离度量的聚类算法进行聚类；
记第n次确定聚类中心过程中，使用的k个聚类中心分别为
其中，rssClassCenterin的
组成如下：
rssClassCenter(n,i,MACj)，AverageXLocation(n,i)，以及AverageYLocation(n,i)分别表示在第n次确定聚类中心过程中，计算出的第i个聚类中心的MAC地址是MACj的AP的WiFi信号强度、x轴坐标和y轴坐标，这三个值需在下述过程中计算或者确定；
聚类算法步骤如下：
I)第1次聚类时，n＝1，选取总体训练集TotalTraining中参考点编号为V1,V2,...,Vk(V1,V2,...,Vk按所述步骤(2-1-4-1)计算)的k个数据条目作为k个初始聚类中心如总体训练集TotalTraining中编号为Vp的条目被随机选为第q个聚类中心
其中Vp,q均为自然数且都不大于RefNum，p不大于k；则下述(totalmac+2)
个关系式成立，
II)执行步骤III～步骤V，直到
等于
就结束聚类过程，此
时得到的k个聚类中心
rssClassCenter1,rssClassCenter2,...,rssClassCenterk；
其中，rssClassCenteri(i＝0,1,...,k)组成如下；
rssClassCenter(i,MACj)，AverageXLocation(i)，以及AverageYLocation(i)分别表示计算出的第i个聚类中心的MAC地址是MACj的AP的WiFi信号强度、x轴坐标和y轴坐标，可由公式组(91)完全确定
AverageXLocation(i)＝AverageXLocation(n+1,i)
AverageYLocation(i)＝AverageYLocation(n+1,i)
rssClassCenter(i,MAC1)＝rssClassCenter(n+1,i,MAC1)
rssClassCenter(i,MAC2)＝rssClassCenter(n+1,i,MAC2)
......,
rssClassCenter(i,MACj)＝rssClassCenter(n+1,i,MACj)
......,
rssClassCenter(i,MACtotalmac)＝rssClassCenter(n+1,i,MACtotalmac)(91)rssClassCenter(n+1,i,MACj)，AverageXLocation(n+1,i)和AverageYLocation(n+1,i)分别表示在第n+1次确定聚类中心过程中，计算出的第i个聚类中心的MAC地址是MACj的AP的WiFi信号强度、x轴坐标和y轴坐标；
n+1
上述公式组(91)等价于公式(70)，rssClassCenteri 的定义见公式(16)；
rssClassCenteri＝rssClassCenterin+1 (70)
对于训练集TotalTraining中第c个条目，按下述公式(18)依次计算该条目与所有k个聚类中心归一化接收信号强度的欧氏距离与坐标距离的乘积；
计算训练集TotalTraining中第c个条目与聚类中心 归一化接收信号强
度的欧氏距离与坐标距离的乘积Distcv公式如下，
其中，“·”表示数值相乘运算，c,v均为自然数且都不大于RefNum；
在所有k个聚类中心归一化接收信号强度的欧氏距离与坐标距离的乘积中，取其中最小值对应的聚类中心作为该条目重新划分的聚类中心；
按本步骤的上述过程将训练集TotalTraining中所有条目重新划分聚类中心；
IV)重新计算当前聚类中心；
；进行完上述步骤III后，训练集TotalTraining中的第N1,N2,N3,...,Nw个条目被划分到第r个聚类中心，其中1≤N17.根据权利要求6所述的WiFi指纹室内定位方法，其特征在于，所述步骤(2-1-5)重新生成训练子集，包括如下步骤：
当上述步骤(2-1-4-2)进行完后，形成了k个聚类中心，依次为rssClassCenter1,rssClassCenter2,...,rssClassCenterk，总体训练集TotalTraining中每个条目会被划分到一个聚类中心，以下将总体训练集TotalTraining按聚类中心重新生成训练子集。举例如下：将总体训练集TotalTraining中归属于第u个聚类中心的条目组成训练子集TrainingSub Setu；记条目的参考点编号依次为
共eu个；
其中，符号“{}”表示组成训练集，每个“[]”内的数据是一个归一化数据条目，且对应于一个参考点，Ma是该参考点编号，xa和ya分别表示该采样点x轴和y轴方向上的物理坐标，MACj:rss(Ma,MACj)按所述步骤(2-1-3)计算，表示在编号为Ma的参考点上计算的MAC地址是MACj的AP的WiFi信号强度归一化值是rss(Ma,MACj)，训练子集TrainingSubSetu条目的总个数为eu个。
8.根据权利要求7所述的WiFi指纹室内定位方法，其特征在于，所述步骤(2-2)按训练子集分区域训练最小二乘支持向量回归机模型，由于位置坐标分x轴坐标和y轴坐标，而且在所述步骤(2-1)中划分了k个训练子集，因此分别对训练子集
TrainingSubSet1,TrainingSubSet2,……,TrainingSubSetk训练最小二乘支持向量回归机模型；
训练TrainingSubSetu这一子集x轴坐标和y轴坐标的最小二乘支持向量回归机模型包括如下步骤：
2-2-1)使用训练子集训练x轴坐标的最小二乘支持向量回归机模型
用下述表达式(21)所示的训练子集训练最小二乘支持向量回归机模型；
其中，符号“{}”表示组成训练集，一个“[]”内的所有数据是一个数据点；
数据点
表示以totalmac维向量
(rss(Ma,MAC1),rss(Ma,MAC2),...,rss(Ma,MACtotalmac))T作为输入，又称totalmac列向量，T表示转置，其对应的输出为 其中a是自然数且不大于eu，以下记
rss(Ma)＝(rss(Ma,MAC1),rss(Ma,MAC2),...,rss(Ma,MACtotalmac))T(22)
将训练子集SubTraingClassificationu中的数据点带入如下最小二乘支持向量回归机模型，求得其解
其中， 是对训练子集
SubTraingClassificationu建立的最小二乘支持向量回归机模型中待确定的变量，αu代表它们的整体，rss()含义见公式(22)，C是惩罚参数，典型值为0.06，δij的定义如下，K(rss(Mi),rss(Mj))是核函数，其原型是K(x,x')，通过构造不同的核函数，对比定位精度，确定了一种新型的核函数K(x,x')，其表达式见下述公式(95)：
其中，exp()是以e为底数的指数函数，ρ取值为正数，都是训练集中的数据，都是n维向量，xl、x’l分别是x、x’的第l维分量；
K(rss(Mi),rss(Mj))的具体形式如下，
rss(Mi,MACt)按前述步骤(2-1-3)计算，exp()是以e为底数的指数函数，σ的典型值为DivDiameter，DivDiameter按照上述公式(13)计算；上述模型(23)和(24)的含义是：变量在条件(24)的约束下，求模型(23)的最大值；
任意选取s(1≤s≤eu)，用模型(23)和(24)的解 按公式(27)计
算
按公式(28)计算出x轴坐标的回归函数，
符号“·”表示数值相乘运算， 是由表达式(20)定义的
SubTraingClassificationu中的第Ms个数据点的输出，xu是回归函数输出的待定位点x轴坐标的值；
其中，rss(MACt)的计算方法如下：RSS(MACt)是在待定位点测得的MAC地址是MACt的WiFi信号强度平均值(15秒测量一次，测量10次后计算平均值，如某次测量检测不到该WiFi，则认为不可接收到MACt的信号)，按公式(29)计算rss(MACt)
其中，MaxReceiveRSS(MACt)和MaxReceiveRSS(MACt)分别是所述步骤(2-1-1)定义的集合ReceivedRSSSet(MACt)中所有元素的最大值和最小值；
训练子集SubTraingClassificationu的x轴坐标的统计方差 按公式(30)计算，标准差 按公式(31)计算，
2-2-2)使用训练子集训练y轴坐标的最小二乘支持向量回归机模型；
用下述表达式(32)所示的训练子集训练最小二乘支持向量回归机模型，
其中，符号“{}”表示组成训练集，一个“[]”内的所有数据是一个数据点，数据点举例说明如下：
表示以totalmac维向量，又称totalmac列向量
(rss(Ma,MAC1),rss(Ma,MAC2),...,rss(Ma,MACtotalmac))T作为输入，T表示转置；对应的输出为 其中a是自然数且不大于eu，以下记
rss(Ma)＝(rss(Ma,MAC1),rss(Ma,MAC2),...,rss(Ma,MACtotalmac))T(33)；
将训练子集SubTraingClassificationu'中的数据点带入如下最小二乘支持向量回归机模型，求得其解
其中， 是对训练子集SubTraingClassificationu'建立的最小二乘
u
支持向量回归机模型中待确定的变量，β代表它们的整体，rss()、C、δij、K(rss(Mi),rss(Mj))的含义、形式和取值见步骤(2-2-1)；
上述模型(34)和(35)的含义是，变量 在条件(35)的约束下，求模型
(34)的最大值；
任意选取g，其中1≤g≤eu，用模型(34)和(35)的解 按公式(36)计算
按公式(37)计算出y轴坐标的回归函数
符号“·”表示数值相乘运算， 是由表达式(32)定义的
SubTraingClassificationu'中的第Mg个数据点的输出，yu是回归函数输出的待定位点y轴坐标的值，rss(MACt)的计算方法与步骤(2-2-1)相同；
训练子集SubTraingClassificationu'的y轴坐标的统计方差 按公式(38)计算，标准差 按公式(39)计算，
9.根据权利要求8所述的WiFi指纹室内定位方法，其特征在于，所述步骤(3-1)权重因子的计算，包括如下步骤：
实际应用WIFI指纹室内定位方法定位时，需按所述步骤(2-2-1)获取rss(MACt)的方法获得该待定位点的位置指纹rss(MAC1),rss(MAC2),...,rss(MACtotalmac)，计算该位置指纹与所述步骤(2-1-4-2)中获得的k个聚类中心，rssClassCenter1,rssClassCenter2,...,rssClassCenterk的WiFi信号强度的欧氏距离，下面以计算与第f个聚类中心，rssClassCenterf的WiFi信号强度的欧氏距离为例说明
其中，rssClassCenter(f,MACr)表示计算出的第f个聚类中心的MAC地址是MACr的AP的WiFi信号强度，计算方法参考所述步骤(2-1-4-2)；
然后计算k个聚类中心在最终定位结果中所占权重λ1,λ2,...,λk，其中第v个聚类中心在最终定位结果中所占权重λv计算公式如下，
其中， 的计算方法见所述步骤(2-2-1)中公式(31)， 的计算方法见所述步骤(2-
2-2)中公式(39)；
选取λ1,λ2,...,λk中最大的3个值即可获得准确的最终定位，记最大的3个权重因子由大到小依次为 其中m1,m2,m3都是取值介于1到k的自然数，cof的取值决定
distv和 对权重λv的影响，cof越大， 对λv影响越大，cof的取值应
介于0.1到10之间，典型值为1。
10.根据权利要求9所述的WiFi指纹室内定位方法，其特征在于，所述步骤(3-2)进行位置坐标的计算，包括如下步骤：
将该待定位点的位置指纹
rss(MAC1),rss(MAC2),...,rss(MACtotalmac)分别代入第m1,m2,m3个训练子集的x轴坐标的最小二乘支持向量回归机的回归函数，计算出对应的x轴坐标的输出值
计算回归函数时，分别用m1,m2,m3替代所述公式(28)中的u，即可得对应
的回归函数；
按公式(42)计算本发明的定位方法最终输出的x轴坐标xoutput；
同理，将该待定位点的位置指纹，rss(MAC1),rss(MAC2),...,rss(MACtotalmac)分别代入第m1,m2,m3个训练子集的y轴坐标的最小二乘支持向量回归机的回归函数，计算出对应的y轴坐标的输出值 计算回归函数时，分别用m1,m2,m3替代所述公式(37)中
的u，即可得对应的回归函数；
按公式(43)计算本发明的定位方法最终输出的y轴坐标youtput；

• 聚类
• rss
• 训练
• ap
• wifi
• 回归
• refnum
• 指纹
• 坐标
• macj