1.一种基于改进的CNN模型的室内目标定位方法，其特征在于，包括如下步骤：获取待定位目标的目标CSI数据，并进行数据预处理；

利用预处理后的目标CSI数据与预先生成的定位指纹库进行指纹匹配，获得待定位目标的坐标信息；

所述定位指纹库的生成方法包括：

利用SDR平台采集室内WiFi信号，获得WiFi信号对应的室内CSI数据，并进行数据预处理；

基于聚类算法将预处理后的室内CSI数据划分为多个数据子集；

利用数据子集训练改进的CNN模型，获得训练好的改进的CNN模型；

利用训练好的改进的CNN模型和预处理后的室内CSI数据生成定位指纹库。

2.根据权利要求1所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，所述SDR平台包括一个移动节点、多个信号基站和一个数据处理单元，所述移动节点用于通过周期性地广播探测请求帧来自动发送定位请求；所述信号基站用于接收移动节点的定位请求，并获取移动节点的WiFi信号；所述数据处理单元用于处理信号基站获取的WiFi信号，获得WiFi信号对应的室内CSI数据。

3.根据权利要求1所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，数据预处理的方法包括：

对CSI数据进行幅值滤波、相位修正和去均值处理，获得修正后的CSI数据；

利用PCA对修正后的CSI数据进行降维处理和去噪处理，获得预处理后的CSI数据。

4.根据权利要求1所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，基于聚类算法将预处理后的室内CSI数据划分为多个数据子集的方法包括：根据地理位置将预处理后的室内CSI数据随机划分为多个数据子集，每个数据子集中包括多个室内CSI数据；

基于k‑means算法计算每个数据子集的中心，计算公式如下：其中，μi表示第i个数据子集的中心，Ci表示第i个数据子集，x表示室内CSI数据，i＝

1,…,k，k为数据子集的数量；

根据数据子集的中心计算所有数据子集的平方误差，计算公式如下：其中，E表示所有数据子集的平方误差；

分别计算预处理后的室内CSI数据与每个数据子集的中心的距离，根据距离重新划分数据子集，直到平方误差最小化，获得最终的数据子集。

5.根据权利要求1所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，所述改进的CNN模型包括依次连接的5个卷积层和2个全连接层，其中，5个卷积层的卷积核分别为16、32、64、64和128；第一个全连接层用于展平第5个卷积层的输出，第二个全连接层用于输出CSI数据的分类结果。

6.根据权利要求1或5所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，利用数据子集训练改进的CNN模型，方法包括：对每个数据子集中的每个室内CSI数据进行规范处理：其中，xp表示规范后的第p个室内CSI数据，varp表示数据子集中的第p个室内CSI数据，mean()为求平均值函数，total()为分类汇总函数，p＝1,…,n，n为数据子集中室内CSI数据的个数；

初始化改进的CNN模型的模型参数，以数据子集为单位将规范后的室内CSI数据输入改进的CNN模型的卷积层，获得卷积处理后的室内CSI数据，并提取卷积处理后的室内CSI数据的特征；

对卷积处理后的室内CSI数据的特征进行批量化、最大池化和激活处理，获得卷积处理后的室内CSI数据的映射；

利用改进的CNN模型的全连接层对卷积处理后的室内CSI数据的映射进行分类，获得每个数据子集中每个室内CSI数据对应的坐标信息；

根据预设的真实坐标标签和改进的CNN模型输出的坐标信息，利用损失函数计算改进的CNN模型的损失值；

根据损失值更新改进的CNN模型的模型参数，并利用更新后的改进的CNN模型处理规范后的室内CSI数据，直到损失值收敛，获得训练好的改进的CNN模型。

7.根据权利要求6所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，针对每一个室内CSI数据，对卷积处理后的室内CSI数据的特征进行批量化处理的步骤包括：

根据卷积处理后的室内CSI数据的特征进行均值计算：其中，UB表示卷积处理后的室内CSI数据的特征的平均值，M为卷积处理后的每个室内CSI数据的特征的个数，sq表示第q个卷积处理后的室内CSI数据的特征，q＝1,…,M；

根据UB计算特征方差，计算公式如下：其中， 表示卷积处理后的室内CSI数据的特征的方差；

根据UB和 对卷积处理后的室内CSI数据的特征进行标准化处理：其中， 表示标准化处理后的室内CSI数据的特征，ε为预设的标准化数值。

8.根据权利要求6所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，每个数据子集中每个室内CSI数据对应的坐标信息的计算公式如下：其中，yp表示数据子集中第p个室内CSI数据对应的坐标信息，γ和β分别为改进的CNN模型的模型参数， 表示数据子集中第p个标准化处理后的室内CSI数据的特征。

9.根据权利要求6所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，所述损失函数的表达式如下：

其中，L表示改进的CNN模型的损失值，yp′表示数据子集中第p个室内CSI数据的真实坐标标签，yp表示数据子集中第p个室内CSI数据对应的坐标信息。

10.根据权利要求1所述的一种基于改进的CNN模型的室内目标定位方法，其特征在于，所述定位指纹库包括CSI数据及其对应的坐标信息。