1.一种用于分布式大规模多天线系统的半监督学习定位方法，其特征在于，包括以下步骤：

S1：生成两个不同的数据集，包括训练数据集和坐标隶属度集；

S2：利用半监督学习算法估计高斯混合模型GMM参数，根据训练数据集对GMM进行初始化；所述高斯混合模型GMM的架构具体为：

给定训练数据集R＝{r1,r2,…,rN}，对n∈{1,2,…,N}，N为位置已知的先验信息数量，由于rn是基于不同位置上发送的正交导频信号的对应接收信号，因此认为训练数据rn是相互独立的；对于任意坐标轴Ψ，Ψ∈{x,y,z}来表示x、y、z坐标轴，分别将每个坐标轴分为L个区间，假设{r1,r2,…,rN}由式(7)中的GMM产生：其中，αΨl为GMM系数，0≤αΨl≤1且 μΨ和ΣΨ分别为GMM的均值和协方差矩阵；

基于式(7)，GMM可分为L个高斯混合成分，其中第l个GMC的均值和协方差矩阵分别为μΨl和ΣΨl，P(rn|μΨl,ΣΨl)为高斯分布概率密度函数，如式(8)所示：留意到，式(8)中的高斯分布可用任意分布替换来生成特定的混合模型；

基于GMM的特性，假设训练数据{r1,r2,…,rN}由下面过程产生：首先，基于概率αΨl选择第l个GMC，其均值为μΨl，协方差矩阵为ΣΨl；

其次，根据第l个GMC的概率分布，生成数据rn；

对于任意坐标轴Ψ，定义 为数据rn由第l个GMC产生的概率，它是基于GMM的系统参数估计的一个目标参数，表示第n个数据对第l个区间的高斯隶属度； 表示为：由GMM参数集ΩΨ＝{(αΨ1,μΨ1,ΣΨ1),(αΨ2,μΨ2,ΣΨ2),…,(αΨL,μΨL,ΣΨL)}决定，其中ΩΨ通过EM算法进行迭代估计；其中，最简单的 的形式为：S3：基于半监督期望极大EM算法对GMM参数进行迭代估计，完成GMM的训练；其步骤包括：

基于前述的初始化参数，利用现有的EM算法估计参数ΩΨ＝{(αΨ1,μΨ1,ΣΨ1),(αΨ2,μΨ2,ΣΨ2),…,(αΨL,μΨL,ΣΨL)}；具体地，定义第l个GMC的参数为ΩΨl＝(αΨl,μΨl,ΣΨl)，令φ(rn|ΩΨl)＝P(rn|μΨl,ΣΨl)，则迭代估计过程表示为：初始化：令t＝0，获得

E步：基于当前参数 其中l∈{1,…,L}，计算高斯隶属度M步：令t＝t+1，基于 更新参数：

重复E步和M步直到满足：

其中l∈{1,2,…,L}，ε为一个小的正数；最后输出参数估计结果：S4：根据训练完成的GMM和坐标隶属度集，完成对目标接收信号强度RSS数据对应的位置信息的估计；其步骤包括：

基于训练得到的GMM，估计出目标RSS数据对应的位置坐标信息，即利用GMM求出待估计对应位置坐标信息的RSS向量的高斯隶属度，再通过搜索坐标隶属度集，从而得到测试位置的估计结果，具体为：假设有Q个待估计对应位置坐标信息的RSS数据{s1,s2,…,sQ}，依据 来估计测试位置信息，其中l∈{1,2,…,L}，q∈{1,2，…,Q}；根据式(15)，sq对第l个GMC的高斯隶属度表示为：进一步地，根据 和式(21)，定义目标函数

其中， 为第vΨ个坐标样本对第l个区间的坐标隶属度，则 为最接近sq的高斯隶属度的样本点；对于Ψ轴，设第q个测试用户在Ψ轴上的真实坐标为Ψq，若该用户在Ψ轴上的估计坐标为 用坐标隶属度集采样坐标 表示为 通过均方根误差RMSE R来衡量该系统的定位性能，表示如下：

至此，完成对目标接收信号强度RSS数据对应的位置信息的估计。

2.根据权利要求1所述的一种用于分布式大规模多天线系统的半监督学习定位方法，其特征在于，在所述步骤S1中，所述训练数据集的生成过程为：训练数据集包括已标记数据集和未标记数据集，以RSS作为特征向量，假设分布式大规模多天线DM‑MIMO系统的训练位置数为N，单天线远程射频前端RRH数为M；假设N个位置为已知的先验信息，可以使用N个终端{U1,U2,…UN}放置在N个位置上以同一功率ρ同时向多个RRH发送上行正交导频符号向量，也可以使用单个终端分时遍历全部的N个位置，以同一功率ρ向多个RRH发送上行导频符号；然后，再由RRH将RSS信息汇总到中央计算单元CU；最后，由CU为每个训练位置生成一个维度为M×1的RSS向量作为训练数据集的特征向量。

3.根据权利要求2所述的一种用于分布式大规模多天线系统的半监督学习定位方法，其特征在于，所述训练数据集的生成过程具体为：

首先设rmn(m＝1,…,M；n＝1,…,N)为第m个RRH接收到的第n个位置上的终端发送的RSS，则有

2

rmn＝ρgmn|qmn|    (1)

其中，gmn和qmn分别为大尺度衰落和小尺度衰落系数，qmn满足均值为0、方差为1的复高斯随机分布；若定义第n个位置和第m个RRH所在位置之间的距离为dmn，b0为参考距离d0的路径损耗，η为路径损耗指数，则gmn表示为：其中，zmn为阴影噪声的信道增益，它满足均值为0，方差为 的高斯分布；下一步，由CU为每个训练位置生成一个维度为M×1的RSS向量：T

rn＝[r1n,r2n,…,rMn]     (3)T

其中，符号[·]表示矩阵或向量的转置；令R＝{r1,r2,…,rN}表示来自N个训练位置观测到的RSS向量的集合；

接下来，利用RSS向量rn去估计训练位置n在二维平面和三维空间中对应的坐标(xn,yn)和(xn,yn,zn)；不失一般性，用Ψ∈{x,y,z}来表示x、y、z坐标轴，分别将每个坐标轴分为L个区间，定义第l个区间的中点坐标 为该区间的标记，其中l∈{1,2,…,L}；进一步地，将L个区间的中点坐标的集合定义为 目标为通过优化方法将rn分入特定的区间，其中n∈{1,2,…,N}；

在实际的通信无线通信系统中成本受限的情况下，通常只能获取少量的已标记数据，即已知位置坐标的RSS数据；而未标记数据的数量将远大于已标记数据的数量；假设已标记数据的数量为NL，未标记数据数为NU，其中NL+NU＝N；定义pL为已标记数据占全部训练数据的百分比，则有 进一步地，将训练数据分为已标记数据集DL和未标记数据集DU两部分，分别如式(4)和式(5)所示：

其中 为经过预先测量得到的 对应的真实标记，

4.根据权利要求3所述的一种用于分布式大规模多天线系统的半监督学习定位方法，其特征在于，在所述步骤S1中，所述坐标隶属度集生成过程具体为：在收集训练集数据的同时，对物理空间坐标进行采样来收集坐标隶属度集；考虑固定大小的定位检测区域，对任意坐标轴Ψ进行均匀采样，得到V个均匀分布的坐标样本点{cΨ,1,cΨ,2,…,cΨ,V}，计算第vΨ个样本对第l个区间的坐标隶属度 如式(6)所示：其中 表示第vΨ个样本的Ψ轴坐标，vΨ∈{1,2,…,V}，多个坐标隶属度共同组成坐标隶属度集。

5.根据权利要求3所述的一种用于分布式大规模多天线系统的半监督学习定位方法，其特征在于，在所述步骤S3中，所述初始化过程具体为：首先获取 位置上的RSS值，表示为 其中Iy

为常数；设定当η发生较大变化时的一个阈值dth；将一对训练位置和区间标记位置的关系分为三类：第一类：训练位置和区间标记位置在x轴上相距较近；由于训练位置与区间标记位置分别到RRH的距离的差距较小，由式(1)‑(3)可得，此训练位置对应的RSS向量与此区间标记位置的RSS向量欧氏距离较小，即二者在RSS域上较近；

第二类：训练位置和区间标记位置在x轴上相距较远；这种情况下，此训练位置对应的RSS向量与此区间标记位置的RSS向量欧氏距离较大，即二者在RSS域上较远；

第三类：训练位置和区间标记位置在x轴上相距较近，同时此训练位置的RSS向量与此区间标记位置的RSS向量在RSS域上较远；即二者在RSS域上较远；

基于上述这几类关系，首先考虑第一类和第二类训练位置和区间标记位置关系，即基于已标记数据集中各个RSS对应的预先测量得到的真实标记，将具有相同标记的RSS向量分入同一个区间，从而得到由已标记的RSS向量构成的L个区间；其次，考虑第三类训练位置和区间标记位置关系，即将未标记数据集中的RSS向量逐个分入由已标记数据构成的L个区间；具体为：首先，对Ψ轴，收集式(4)已标记数据集DL中 的数据构成第l个区间，其中jL∈{1,2,…,NL}，l∈{1,2，…,L}；具体地，对第l个区间，收集满足 的RSS向量 构成RSS向量集 其中， 的元素数为

其次，基于 对未标记数据集DU中的元素进行初始化分类，先对第jU个未标记的RSS向量 jU∈{1,2，…,NU}按照下式进行分类：定义 为 的临时标记号；对全部NU个 分类后，得到每个区间所包含的未标记数据的个数 且将满足 的RSS向量 构成一个RSS向量集 此时，每个区间中包含已标记的RSS向量 和未标记的RSS向量 不妨定义这两类向量的集合为则有 其中集合 中元素的个数为 其中上标0表示初始化参数；

然后，由下述公式计算GMM参数初始值，包括：

其中， 记