1.一种改进WKNN的室内定位方法，其特征在于，包括如下步骤：

1)将室内场景划分为k个定位区域，并给予标签1、2、3……k；

2)在每个定位区域中进行栅栏化，确立参考点，并记录参考点的位置信息，如第i个参考点坐标为pi＝(xi,yi)，通过移动设备每隔ΔT采集当前参考点的RSS，第i参考点的RSS记为：Si＝{Si,1,Si,2,...,Si,j,...,Si,z}，其中，z为无线接入点AP的数量，si,j表示第i参考点接收到的第j个无线接入点AP的RSS；Si,j＝{Si,j,1,Si,j,2,...,Si,j,x,...,Si,j,t}，t表示采集的次数；

3)通过无线接入点AP选择策略，选出用于定位的无线接入点AP子集；

所述AP选择策略包括以下步骤：

3.1)对采集到的RSS数据进行去噪处理：对每一个si,j进行高斯滤波,t为 采 集次 数 ，测量 结 果 f (S i ,j ) 的 密 度函 数 为将0.6≤f(Si,j)≤1,0.15σ1+μ≤f(Si,j)≤0.39σ1+μ，将此范围内的Si,j,g值取出做平均处理为当前RSS值，即第j个AP信息为Sj＝{RSSj,1,RSSj,2,...,RSSj,n}，其中n为参考点的个数；

3.2)补全缺失数据：AP在第x参考点缺失的数据为RSSj,x＝RSSj,min‑(RSSj,min2‑RSSj,min)，RSSj,min表示该AP在所有参考点中的最小数值，RSSj,min2表示该AP在所有参考点中第二小的数值；

3.3)设置一个集合Cq,并令 计算每个AP信号的出现频率，并设置阈值σ2，如果则舍弃当前AP；否则进入集合Cq中，其中g为参考点的个数，Nj表示当该参考点有RSS数据，且该数据大于>‑80db，则为1，否则为0；

3.4)设置一个集合Cr,并令

3.5)分别找到APi,APj离源头最近点F，APi,APj的F点分别记为iF和jF；

所述步骤3.5)包括以下步骤：

3.5.1)分别判断APi,APj取得前三最大RSS值的参考点q、w、e是否小于阈值σ3，dq,w是参考点q和参考点w的位置距离，dq,e是参考点q和参考点e的位置距离，dw,e是参考点w和参考点e的位置距离；

3.5.2)如果dq,w<σ3且dq,e<σ3且dw,e<σ3，只有两个满足，一个不满足，则源头接近两个满足中共有的参考点，如：dq,w<σ3且dq,e<σ3但是dw,e>＝σ3，则q的坐标(xq,yq)为F；

3.5.3)如果dq,w<σ3且dq,e<σ3且dw,e<σ3，只有1个满足，两个不满足，如dq,w<σ3但是dq,e>σ3,dw,e>＝σ3,则源头在坐标q与w之间，记F为

3.5.4)如果dq,w<σ3且dq,e<σ3且dw,e<σ3，三个都不满足，则根据RSS大小值的顺序，找到另一个能符合3.5.2)或3.5.3)的点，并记下它的左边为F；

3.5.5)如果dq,w<σ3且dq,e<σ3且dw,e<σ3，三个都满足，则有最大RSS值的参考点坐标为F；

3.6)设置阈值σ4，σ5， 如d1＜σ4

且d2＜σ5，则将APi,APj放入到Cr中；

3.7)集合Cr中若一个AP具有多个标签，则将此AP和与它具有相同标签的AP重置一个相同标签；

3.8)对于Cr中相同的标签根据参考点得分能力T来进行筛选，对于同一标签，保留其得分最大的AP放入集合Cq中，其他的则舍弃；记APi在第i个参考点得分能力为RSSi是第i参考点上的RSS值，RSSmax是该AP所有参考点中RSS的最大值，RSSmin是该AP所有参考点中RSS的最小值，di,iF是第i个参考点到点F的距离；APi总得分能力

3.9)对集合Cq中所有AP计算其参考点总得分能力Tall，并按照降序进行排列；

3.10)根据定位区域大小，确定参与定位的AP数量，并从AP集合中依序选取用于定位的无线接入点AP子集；

4)将每个参考点信息作为一个指纹存入指纹数据库中；

5)用户通过携带的移动设备采集定位点的RSS；

6)利用AP子集和RSS值计算每个定位区域得分，判断最高得分是否为单区域，找出AP子集的RSS值，确定定位点所属的定位区域；

7)通过定位点与参考点之间波峰波谷值的数量差异，找出与定位点相似的参考点；

8)在指纹数据库中找到与步骤5)中采集到的RSS值的欧氏距离最近的k条指纹，利用归一化和wasserstein距离，并判定是否为相似参考点进行加权，将k条指纹所对应的位置坐标加距离权重作为用户当前的位置。

2.如权利要求1所述的一种改进WKNN的室内定位方法，其特征在于，所述步骤6)包括以下步骤：

6.1)在每一个定位区域中分别标记该定位区域选出的AP在此定位区域中的最大值与最小值，记APj,max为第j个AP的最大值，记APj,min为第j个AP的最小值；

6.2)将采集到的定位点的RSS信息，根据MAC地址，选出相同MAC地址的AP的RSS，记为xtp＝(RSStp,1,RSStp,2,...,RSStp,j,RSStp,m)，m为步骤3)中选出的用于定位的AP的数量；

6.3)设置score＝0，如果APj,min≤RSStp,j≤APj,max,则score＝score+1，直至把m个AP全部比对完成，计算总得分score；

6.4)按此方法循环比对完所有定位区域，计算出每个定位区域的得分；

6.5)选出得分最高的定位区域，并记录下6.2)中xtp值；

6.6)若存在同分情况，观察同分定位区域是否相邻，若相邻，则记录同分定位区域及

6.2)中所选出来的RSS值，若不相邻，则跳回至步骤6重新采集。

3.如权利要求1所述的一种改进WKNN的室内定位方法，其特征在于，所述步骤7)包括如下步骤：

7.1)设置一个集合Cz,并令

7.2)进行可能参考点判定，令j＝1，2，…,m,记下所有满足RSStp,j‑1≤RSStp,j≤RSStp,j+1或者RSStp,j‑1≤RSStp,j≤RSStp,j+1j的值，并将满足的个数记为g1，

7.3)对于步骤7.2)中所有满足的j值，与第i个参考点进行比对，RSSi,j‑1≤RSSi,j≤RSSi,j+1或者RSSi,j‑1≥RSSi,j≥RSSi,j+1，令g2＝0,对于每满足一个j值，则g2＝g2+1，如果不满足，但此时|RSSi,j‑1‑RSSi,j|＜5或者|RSSi,j+1‑RSSi,j|＜5，此时g2＝g2+1；

7.4)令g1‑g2＝σ6，如果 则将第i个参考点标号放入集合Cz中，m为选出的用于定位的AP的数量。

4.如权利要求1所述的一种改进WKNN的室内定位方法，其特征在于，所述步骤8)包括如下步骤：当步骤6)中的最高得分是单区域时：

8.1)设与定位点的RSS地址相同MAC地址的AP的RSS为xtp，把指纹数据库中参考点数据T生成矩阵xrp＝[x1,x2,...,xi,...,xg] 中，其中xi是第i个参考点，xi＝(RSSi,1,RSSi,2,...,RSSi,j,...,RSSi,m)，RSSi,j表示第i个参考点上第j个AP的RSS值，m为选出的用于定位的AP的数量，定位点数据生成行向量xtp＝(RSStp,1,RSStp,2,...,RSStp,j,RSStp,m)；

8.2)设置一个集合Cp,并令

8.3)分别计算xtp和指纹数据库中每个参考点的欧式距离，xtp和指纹数据库中的第i个参考点欧式距离 选取前最小K个参考点，并记下其参考点标号，并将这K个参考点的数据存入Cp中，与Cz中参考点标号比较相同参考点数量，记为U；

8.4)对于Cp中的每个参考点和定位点中的数据进行归一化，得到新的值RSSNEWi,j，RSSNEWtp,j； 其中RSSi,j为第i个参考点上第j个AP的RSS值，RSSi,min为第i个参考点上最小的RSS值，RSSi,max为第i个参考点上最大的RSS值；RSStp,j为定位点上第j个AP的RSS值，RSStp,min为定位点上最小的RSS值，RSStp,max为定位点上最大的RSS值；

8 .5) 计 算定 位点 与Cp 中第 i个参 考点的 Wa ss er ste in 距离 为

8.6)设置循环次数K次，计算出定位点与每个参考点的每个Wasserstein距离；

8.7)基于Wasserstein距离生成权重

8.8)定位位置 其中当正在计算的参考点中的标号在Cz中时，V取否则V取 Zi为第i个Wasserstein距离生成的权重，(xi,yi)是第i个参考点坐标；

当步骤6)中最高得分不是单区域时

8.1)记录下每个区域的xtp，则xtp＝(xtp1,xtp2,...,xtpc,...,xtpL)，L为最高得分为同分的定位区域的数量；

8.2)设置一个集合Cp,Cp＝(Cp1,Cp2,...,Cpc,...,CpL)并令

8.3)分别计算xtp和指纹数据库中每个参考点的欧式距离，xtp和指纹数据库中的第i个参考点欧式距离 选取前最小K个参考点，并记下其参考点标号，并将这K个参考点的数据存入Cpc中，与Cz中参考点标号比较相同参考点数量，记为U；

8.4)对于Cpc中的每个参考点和定位点中的数据进行归一化，得到新的值RSSNEWi,j，RSSNEWtp,j； 其中RSSi,j为第i个参考点上第j个AP的RSS值，RSSi,min为第i个参考点上最小的RSS值，RSSi,max为第i个参考点上最大的RSS值；RSStp,j为定位点上第j个AP的RSS值，RSStp,min为定位点上最小的RSS值，RSStp,max为定位点上最大的RSS值；

8 .5)计 算定位点与C pc中第i个 参考点的Wa ssers tein距离 为

8.6)设置循环次数K次，计算出定位点与每个参考点的每个Wasserstein距离；

8.7)基于Wasserstein距离生成权重

8.8)定位位置 其中当正在计算的参考点中的标号在Cz中时，V取否则V取 Zi为第i个Wasserstein距离生成的权重，(xi,yi)是第i个参考点坐标；

8.9)定位位置