1.基于二次K-Means聚类的室内位置指纹定位方法，其特征在于：该方法包括以下步骤：S1对位置指纹数据库进行一次k-means聚类，确定一次k-means聚类完成后最终的聚类中心；

S2对位置指纹数据库进行二次k-means聚类，确定二次k-means聚类完成后最终的聚类中心；

S3计算待定位点到一次k-means聚类完成后最终的聚类中心的欧氏距离，计算两两欧式距离之间的差值的绝对值，若绝对值≤θ，则该待定位点基于二次k-means聚类方法实现定位，否则基于一次k-means聚类方法实现定位；

S4计算待定位点与一次k-means聚类得到的k个聚类或二次k-means聚类得到的k个聚类中各数据点的欧氏距离，得到各聚类中与待定位点距离最近的数据点，将该数据点作为参考点，计算得到k个参考点；

S5通过公式一计算待定位点的位置坐标(x,y)：

其中，(xi,yi)是指所述k个参考点中第i个参考点的位置坐标。

2.根据权利要求1所述的基于二次K-Means聚类的室内位置指纹定位方法，其特征在于：所述一次k-means聚类方法包括以下步骤：S11确定聚类中心个数k，在位置指纹数据库中随机选择k个初始聚类中心，各初始聚类中心对应一个聚类；

S12逐一计算位置指纹数据库中各数据点与k个聚类中心的距离，将数据点划分到与该数据点距离最小的聚类中心对应的聚类中，直至将数据库中所有数据点划分完成；

S13计算各聚类的均值，将与均值最接近的数据点作为新的聚类中心；

S14重复步骤S12和S13，直至k个聚类中心保持不变，该k个聚类中心为最终的聚类中心。

3.根据权利要求1所述的基于二次K-Means聚类的室内位置指纹定位方法，其特征在于：所述二次k-means聚类方法包括以下步骤：S21对位置指纹数据库进行二次k-means聚类，针对一次k-means聚类方法得到的最终的聚类中心，计算两两聚类中心的中点；

S22从步骤S21计算得到的中点中随机选择k个初始聚类中心，各初始聚类中心对应一个聚类；

S23逐一计算位置指纹数据库中各数据点与k个聚类中心的距离，将数据点划分到与该数据点距离最小的聚类中心对应的聚类中，直至将位置指纹数据库中所有数据点划分完成；

S24计算各聚类的均值，将与均值最接近的数据点作为新的聚类中心；

S25重复步骤S23和S24，直至k个聚类中心保持不变，该k个聚类中心为最终的聚类中心。