1.基于全局和局部联合约束迁移学习的室内定位方法，其特征在于，包括以下步骤：S1、将需要定位的室内环境划分为等大小的格点；

S2、依次将移动设备置于定位环境中的各个格点，并记录下此时的格点坐标信息以及来自于各个接入点的RSS值，形成RSS指纹数据库，定义为源域；具体方法为：设定位区域网络接入点数量为N个，则获得RSS向量ri＝[ri1,ri2,…,riN]T，i＝1,2,

3,…,ns，此处ns为已知位置标记的所有RSS样本数量，相应的位置标记表示成ci∈{1,2,…,C}，C为格点的数量，RSS值与相应的位置标记构成了指纹数据库，即源域 其中，S3、采集待定位移动设备的RSS值，形成目标域；具体方法为：收集请求定位的移动设备的RSS值，形成目标域 此处 为无位置标记的RSS样本形成的目标域数据矩阵，nt为收集的RSS样本数量；

S4、知识迁移：

S41、利用核技巧将源域和目标域数据映射到高维的再生核希尔伯特空间；具体为：利用获得的源域数据矩阵Xs，与目标域数据矩阵Xt形成数据矩阵利用核技巧将RSS数据映射到高维的再生核希尔伯特空间中，核矩阵K＝φ(X)Tφ(X)，Ks＝φ(X)Tφ(Xs)，Kt＝φ(X)Tφ(Xt)，ki＝φ(X)Tφ(xi)，φ为一个核映射；

S42、基于全局结构一致性约束，最小化源域和目标域间的边缘和条件概率分布差异，最大化所有RSS数据的方差，形成第一个优化目标函数；具体为：利用MMD准则衡量源域和目标域之间的边缘分布距离，如下：其中，Tr(·)为求迹算子，A为映射矩阵，M0为MMD矩阵，计算方式如下：S43、基于局部结构一致性约束，最小化源域数据的类内方差以及最大化源域数据的类间方差，利用流形正则化保持数据的局部邻域结构，形成第二个优化目标函数；具体为：利用MMD准则衡量源域和目标域之间的条件分布距离，如下：其中， 和 分别是源域和目标域中属于第c个格点的样本， 和 分别是相应的样本数量，初始化时由于目标域的标记信息未知，令Mc＝0，在之后的迭代过程中，Mc由如下的方式计算：利用一个平衡因子μ结合(1)和(3)式，得到下式：其中，μ∈[0,1]， 通过最小化(5)式，即可减小源域和目标域之间的边缘和条件概率分布差异；

S44、结合步骤S42和S43的优化目标函数，得到最终的优化目标函数，求解即可得到映射矩阵；具体为：利用中心矩阵H＝In-(1/n)11T计算投影后样本的协方差矩阵，即ATKHKTA，通过下式完成RSS数据的方差最大化：最小化(5)式以及最大化(6)式即可约束全局结构的一致性；

S45、利用S44求解得到的映射矩阵将源域数据和目标域数据映射到潜在子空间；具体为：通过最小化类内方差和最大化类间方差保持RSS样本与标记之间的依赖性，如下其中，是属于第c个格点的源域样本， 是中心矩阵，

S46、利用流形正则化保持数据的局部邻域结构，首先计算亲和矩阵其中， 意味着xi为xj的近邻，或反之亦然；之后计算图拉普拉斯矩阵L＝D-W          (10)

此处，D为对角矩阵， 最后，最小化以下式子：

T

其中，[AK]i表示在潜在子空间的第i个样本；通过最小化(11)以及优化(7)、(8)式，即可约束局部结构的一致性；

S47、结合约束全局结构和局部结构一致性的优化目标，可得到最后的优化目标函数：其解为下式的广义特征值分解获得的k个主特征向量构成的矩阵：(KHKT+βSb)A＝(KMKT+λKLKT+βSw+aI)AΦ         (13)S48、根据步骤S46获得的映射矩阵A将源域数据和目标域数据映射到潜在子空间，即ATKs和ATKt；

S5、在潜在子空间的源域数据上训练一个基本的分类器；

S6、将潜在子空间的目标域数据输入到步骤S5训练得到的分类器中，即可获得位置估计。

2.根据权利要求1所述的基于全局和局部联合约束迁移学习的室内定位方法，其特征在于，所述步骤S5的具体方法为：在源域数据{ATKs,cs}上训练一个KNN分类器f(·)。

3.根据权利要求2所述的基于全局和局部联合约束迁移学习的室内定位方法，其特征在于，所述步骤S6的具体方法为：将目标域数据ATKt输入到步骤S5获得的分类器f(·)中，更新目标域的位置标记；若与前一次迭代过程相比未达到收敛，则利用(4)式更新Mc，重新计算获得映射矩阵，进而更新位置标记，否则返回最后更新的位置标记，即为定位结果。