1.一种无线通信环境下通过优化指纹元素个数的目标定位方法，其特征在于：以短距离无线通信定位系统为基础，以定位精度和计算效率为目标，以神经网络为研究工具，结合训练过程反馈的准确性以及计算周期不断优化特征维数；在训练阶段根据定位目标的历史轨迹，以及在这些轨迹下所采集到的特征信息所组成的指纹信息进行训练，采取神经网络进行回归分析，使得位置信息和特征信息能够实现映射，同时根据测试过程结果的调整对应位置上的特征向量的元素个数，从而实现用最合理的元素个数进行定位；最后在测试阶段，通过已经完成室内各个位置的训练模型，定位目标在室内具体位置将会被检测出；包括以下步骤：

步骤1，搭建基于短距离无线通信室内定位环境，在定位目标运动情况下采集指纹信息，初始化指纹的元素个数；

步骤2，将指纹信息根据不同的指纹元素个数进行切片，并且对应坐标；

步骤3，重复步骤1和步骤2，在同一种指纹元素个数下采集大量数据；

记录在T时间内，定位目标在定位范围内随意运动，同时记录在T时间内每个时刻的运动位置，得到一组在T时刻内来自所有锚节点的特征信息A总，表示为：A总＝{a0,a1,a2,…aS}其中，S为总的特征信息个数；

将A总按照接受顺序划分成多个子集，子集表示为Cm，其中m∈{1,2,3,...,l}，每个子集中a的个数为N，子集Cm＝{am‑0,am‑1,...,am‑n‑1}，其中子集的时间间隔为τ，子集个数这是因为子集中的元素会有来自不同锚节点的特征信息，在一个子集中应当包含当前时间间隔τ内来自所有锚节点的特征信息；

当确定子集长度N并且将特征信息组合成指纹后，BP神经网络训练过程的输入将会被确定，而子集Cm对应的坐标 通过定位目标在Cm对应的时间间隔τ内移动范围的中心点进行确定；

步骤4，利用BP神经网络进行训练，使用ReLU激活函数，依靠训练模型，在测试过程记录定位精度以及计算效率；

BP神经网络在训练过程输入输出包括以下的处理过程：输入：

1.各个时间间隔τ的指纹信息以及对应广播节点的标识，根据短距离无线通信系统的特征，通过修改锚节点的标识从而实现区分；

2.在给定指纹向量元素个数后，在总量一定的情况下，各个广播节所占元素个数应当相同；当前选取的指纹特征维数为N时，如果有M个锚节点，则每个锚节节点的所占有的元素个数应该为

输出：

1.训练过程的坐标来自于同一时间轴上物体运动轨迹和对应的指纹数据，当前选取的指纹特征维数为N，对应的指纹表示为A＝{a0,a1,a2,…aN‑1}，其中a是各个特征的组合，即a＝[RSSI,TDOA,TOA...]，同时根据a0和aN‑1的对应的时间轴找到对应的坐标位置，通过求两点的中点来标识该指纹对应点的坐标；

单次训练的输入向量为Cm＝{am‑0,am‑1,...,am‑n‑1}，则对应的输出向量为 根据BP神经网络的结构，ReLU函数为 其中λ设置为接近0的数或者直接k k

设置为0；设Wij 为第k‑1层第j个神经元与第k层的连接权重，bi 为第k层第i个神经元的偏置，则得：

k k

hi＝f(neti)

k

而h是每层的输入元素，第一层的输入是Cm，其中neti是来自上一层的权重之和即k

以上就完成 了正向传播的计算过程，在BP神经网络中需要通过反向传播修正Wij 和k

bi ；在执行反向传播需要确定损失函数 其中β是权重系数，并且0＜β＜1，Tcost是计算时间， 表示在神经网络某次迭代中训练过程的输出值；

同时该损失函数作为测试过程的目标函数，即测试目标为：k k

最后根据定义的损失函数通过以下方式对Wij以及bi进行更新：其中，α是学习速率，上述过程中记录下损失函数的对应N，通过测试过程的结果来判断指纹最优的元素个数；

步骤5，增加指纹的元素个数，重复步骤1‑4，并将步骤4得到不同种指纹元素的结果进行比较；重复步骤5多次，得到多种指纹元素个数下的结果；

步骤6，根据步骤5的结果找到最优的指纹元素个数，得到最佳的训练模型；

步骤7，根据步骤6的训练模型，进行测试，完成定位系统的搭建。

2.根据权利要求1所述无线通信环境下通过优化指纹元素个数的目标定位方法，其特征在于：短距离无线通信定位系统包括锚节点、定位节点以及上层服务器，根据短距离无线通信的协议，锚节点不断的向定位节点发送各种特征信息，定位节点通过解析这些信息，分析出锚节点的标识以及特征信息；定位节点通过无线通信方式将接收到的锚节点标识以及对应的特征信息转发给上层的服务器；在上层服务器中将将收集到的信息构造成指纹数据，通过神经网络的训练过程，寻找最优的指纹元素个数，实现定位精度和计算效率的优化。

3.根据权利要求2所述无线通信环境下通过优化指纹元素个数的目标定位方法，其特征在于：所述锚节点为蓝牙、RFID或wifi中的一种或两种以上的组合。