1.面向WiFi/PDR室内融合定位的自适应卡尔曼滤波方法，其特征在于，包括以下步骤：步骤一、在目标区域内，给定用户的初始位置X′0|0；

步骤二、用户接收第i个AP的信号强度 i＝1,…,m，m为AP的个数；

步骤三、根据对数正态分布的路径损耗模型 其中，A表示在参考距离d0处所接收到的信号强度；η表示路径损耗指数；N0表示环境噪声，服从均值为0，方差σ2的高斯分布，计算用户和每个AP之间的距离，其中，di表示用户和APi之间的距离，APi表示第i个AP；

步骤四、已知AP1,…,APm的位置坐标分别为(x1,y1),…,(xm,ym)，并设用户的位置坐标为(x,y)，根据步骤三得到的用户和每个AP之间的距离，构造双曲线方程；

步骤五、采用加权最小二乘法，给用户和每个AP之间的距离赋予权重，计算出基于WiFi的估计位置步骤六、已知用户初始位置X′0|0，采用PDR算法实现对用户的相对定位，进而推算出用户在tk时刻的位置(xk,yk)；

步骤七、在卡尔曼滤波的预测阶段，得到预测状态X′k|k-1和对应该预测状态的协方差Pk|k-1；

步骤八、在卡尔曼滤波的更新阶段，得到卡尔曼增益Kk和当前时刻的估计状态X′k|k；

步骤九、利用卡尔曼滤波器的估计结果X′k|k作为输入，校准路径损耗指数；

步骤十、设置可收敛的迭代阈值 其中， 和 分别是X轴和Y轴方向的方差，即协方差矩阵Pk|k对角线上的元素，α是可调系数，并计算 其中， 表示在第k时刻第j次迭代更新后的估计位置， 表示在第k时刻第j-1次迭代更新后的估计位置；

步骤十一、判断 是否小于阈值T；是，则进入步骤十二；否，则进入步骤九；

步骤十二、更新RSSI测量误差协方差σR；

步骤十三、更新卡尔曼增益Kk、当前时刻的估计状态 和协方差矩阵Pk|k；

步骤十四、获得用户的最佳位置 并作为下一时刻的初始位置。

2.根据权利要求1所述的面向WiFi/PDR室内融合定位的自适应卡尔曼滤波方法，其特征在于：所述步骤五包括以下步骤：

5a、根据步骤四，基于WiFi的最小二乘法估计为 其中，为用户和第i个AP之间的

估计距离，此处认为用户和每个AP之间的距离对定位结果具有相同的权重，但是信道模型属于非线性模型，因此基于对数正态分布的路径损耗模型，用户在不同的传输距离上，相同高斯分布的RSSI测量误差会导致不同的距离测量误差，即传输距离越大，则距离测量误差就越大；所以采取加权最小二乘法，其公式为 其中，S为 的协方差矩阵，将较小的传输距离赋予较大的权重，使得估计的距离具有更高的精确度；

5b、假设用户和每个AP之间的估计距离是独立的，其中， 表示用户和APi之间的估计距离，则协方差矩阵S为：其中，Var表示方差运算，即有

5c、基于步骤三的路径损耗模型，估计距离 为：其中，满足对数正态分布，令μd＝lndi且 则随机变量 的K阶原点矩为

5d、根据步骤5c，可以得到：

5e、根据步骤5d，可得 由

于σd为常数且每一个估计距离的方差都含有σd，因此从协方差矩阵S中约掉常数因子并不会影响基于加权最小二乘法估计位置 即等价于

5f、基于步骤5e，可得

5g、将协方差矩阵S表示为：

5h、因此基于WiFi的估计位置

3.根据权利要求1或2所述的面向WiFi/PDR室内融合定位的自适应卡尔曼滤波方法，其特征在于：所述步骤九包括以下步骤：

9a、根据步骤三，可以得到：

9b、利用步骤八的当前时刻的估计状态X′k|k，计算 其中， 为第i个AP的位置坐标，|| ||2表示欧几里德范数；

9c、结合步骤9a和步骤9b，得到：

其中， 为当前关于第i个AP更新后的路径损耗指数；

9d、根据 重复步骤四、步骤五和步骤八，得到新的当前时刻的估计状态

4.根据权利要求3所述的面向WiFi/PDR室内融合定位的自适应卡尔曼滤波方法，其特征在于：所述步骤十二包括以下步骤：

12a、计算 其中，Told表示前一时刻关于所有AP的路径损耗指数和，η′为前一时刻第i个AP的路径损耗指数；

12b、计算 其中，Tnew表示当前时刻所有AP更新后的路径损耗指数和；

12c、当 更新时，同时更新RSSI测量误差协方差σR；

其中： 表示更新后的RSSI测量误差协方差， 表示更新前的RSSI测量误差协方差。