1.一种基于WIFI信号强度的指纹聚类多点联合室内定位方法，其特征在于，包括采集信号离线建库功能和定位算法实现功能，所述功能通过基于距离矩阵的动态虚拟点初始聚类中心选择算法下的优化聚类软划分方法及基于类参与度多点联合动态定位方法实现，具体流程如下：(1)每间隔1米设置一个参考点的方式将待定位区域以网格形式划分，每个格点为1个参考点,共划分N个参考点；

(2)持装载服务器定位软件的终端，依次在参考点处采集信号，将信号强度向量存入指纹数据库；

(3)根据指纹库采样向量进行距离矩阵计算，根据聚类算法实现指纹分类，获得类特征向量与参考点信号指纹的类分布矩阵；

(4)待定位移动用户自动获取当前WIFI列表与对应信号值，向服务器发送定位请求，并发送WIFI信号向量；

(5)服务器获取带定位信号向量后与各类特征向量匹配，获取类标号，根据类标号选定局部定位区域，利用局部定位方法算出待定位的估计位置；

(6)服务器将估计位置返回待定位移动用户。

2.如权利要求1所述的方法，其特征在于，对于流程(3)中指纹分类所采用的基于距离矩阵的动态虚拟点初始聚类中心选择算法下的优化聚类软划分方法包括三部分：基于距离矩阵的动态虚拟点初始聚类中心选择方法、初步指纹聚类的方法、最大化对数似然概率期望方法实现聚类软划分方法，具体方法如下：

1)一种基于距离矩阵的动态虚拟点初始聚类中心选择方法，按照流程(1)所述方式，持装载服务器定位软件的终端依次在N个参考点接收来自M个WIFI接入点的信号强度向量ri，向量由M个信号强度分量构成，即参考点集合为

*

U＝{u|u≤N，u∈N}

每一参考点采集T次信号强度向量，采集的信号强度向量具体表示为：对T次采样滤波处理，取平均值作为指纹存入指纹数据库，则各参考点处指纹为：建立参考点原始距离矩阵DN×N:

2

其中，距离元素Di，j＝||ri-rj||，Di，j＝Dj，i，该距离矩阵为对称矩阵；一种基于距离矩阵的动态虚拟点初始聚类中心选择方法过程如下：a.对于距离矩阵DN×N，若距离元素Di，j＜ε，则将原参考点集合U中i,j点删除；

b.添加代表i,j的虚拟参考点v,v点的信号指纹为 更新集合U＝U∪vg-{i，j}，g＝1，2，...；

c.更新当前参考点个数N，更新距离矩阵DN×N，此时距离矩阵的维度已降低，重复1、2，若无新虚拟点产生则，增更新ε＝ε+θ，重复1、2；

d.重复1、2、3，若ε＞γ，则停止迭代；

e.此时参考点集合U即为初始聚类中心集合；对应的信号指纹即为初始聚类中心特征指纹向量{mj}＝{m1，m2，...，mK}；

2)在基于距离矩阵的动态虚拟点初始聚类中心选择方法中确立了初始聚类中心{mk|k＝1，2...，K}，类数K；接下来要根据初始聚类中心将所有参考点的信号指纹依据其之间的原始距离矩阵DN×N划分成K个局部区域，即实现将相似度较高的信号指纹划分为一类；分类所满足的目标是：其中从属度ρik的取值表示信号指纹ri是否属于第k个类，dik表示ri与初始聚类中心mk的距离，则：初步指纹聚类的方法如下：

a.依次计算参考点信号指纹ri(i＝1，2，...，N)与聚类中心mk(k＝1,2,…,K)的距离，当dik＝minl∈K(dil)时，令ρik＝1，即ri属于类k，否则ρij＝0，即ri不属于类k；记录关于ρik的从属矩阵QN×K；

b.建立局部区域k(第k类)参考点集合Ωk(k∈K)，根据从属矩阵QN×K，或ρik＝1，则参考点i∈Ωk；计算新的距离中心c.若|mk(new)-mk|＞τ,则用mk(new)代替上一次迭代的距离中心mk，重复1、2；在2中更新Ωk(k∈K)；

d.若|mk(new)-mk|≤τ,则聚类中心mk收敛，停止重复；

e.此时mk(new)为局部区域k的最终特征指纹，参考点集合Ωk(k∈K)为局部区域k的最终分类参考点集合；

3)最大化对数似然概率期望方法实现聚类软划分的方法，通过建立似然概率密度分布模型能够实现聚类的软划分，根据概率来确定隶属度；按两步执行，一是求出符合条件概率密度函数的期望，二是求最大化条件概率密度函数期望最大下的参数值，包括隶属 度概率，全部区域内参考点上信号分布模型即为：对于第k个局部类定位区域信号分布模型为：

其中高斯概率分布 形式为：

对于一个参考点ui具备的属性包括(ri，bi),其中ri为指纹向量，bi为参与度向量，bi＝(γi1，γi2，...，γiK),γk∈(0，1)指示了当前参考点信号指纹是否属于第k个类；bi无法直接通过观察得出，模型下的完全似然函数为：对该似然函数取对数，则对数似然函数转换为：

对数似然函数的期望为：

第j个观测信号rj对第k个局部类定位区域信号分布模型的参与度γjk，可通过其条件期望近似估计为：参考点的参与度在数值上等于该参考点的指纹向量被第k个局部类定位区域信号分布模型指定的后验概率；

2

所建高斯概率分布模型的参数向量Φk＝{αk，mk，Sk}，将原模型转 化为对数似然期2

望形式，对(6)中mk和Sk分别求偏导：

过程如下：

a.利用指纹聚类的输出，即局部区域k的特征指纹向量{mk|k∈K}、局部区域k的参考点集合Ωk(k∈K)及其对应的参考点指纹向量{rj|j∈Ωk}生成高斯混合模型的初始参数，令 按公式(8)、(9)、(10)计算k个类的分模型参数：b.按照公式(7)方法更新第j个观测信号rj对第k个局部类定位区域信号分布模型的参与度其中参考点j的信号指纹rj隶属第k类高斯分模型的后验概率为：参考点j的信号指纹rj对所有类的高斯分模型的后验概率和为：c.根据更新后的参与度 和公式(8)、(9)、(10)重新计算k个类的分模型参数：d.重复2、3，直到

e.停止参数计算，算法终止；此时N个参考点对 K个类的参与度 及k个高斯分模型的参数Φk(k∈K)趋向稳定；记录N个参考点的参与度向量 k个高斯分模型的参数

3.如权利要求1所述的方法，其特征在于，对于流程(5)中局部定位方法包括根据类标号选定局部定位区域，然后根据类参与度多 点联合进行定位方法如下：

1)根据类标号选定局部定位区域，

过程如下：

a.手持终端获取当前定位点的WIFI信号向量为rlocation；按照公式(7)分别计算rlocation对k个类的参与度γlocation，k，其中高斯分模型参数由最大化对数似然概率期望方法实现聚类软划分的输出指定，则当前定位点信号向量rlocation的参与度向量b.根据blocation在获得的全局参与度向量中选则参与定位的参考点；具体方法是：对于 blocation，建立定位区域集 根 据Θ location对

检索，将仅对定位区域集Θlocation中类k有参与度的参考点找出，建立定位参考点集

2)基于类参与度多点联合定位，

根据类标号选定局部定位区域后，通过这些参考点来估计定位点的位置，定位点的坐标估计为：其中n为定位参考点个数，km为参考点m对定位点的参考度，计算方法是：过程如下：

a.按公式(15)分别计算定位参考点集中n个参考点的参考度km；

b.按公式(13)、(14)分别计算定位点的x坐标 与y坐标c.完成定位点坐标估计