1.一种基于iBeacon指纹库的室内定位方法，其特征在于，包含以下具体步骤：步骤1：安装iBeacon及标定参考指纹点位置；

步骤2：采集各参考指纹点的指纹信息并利用GM(1,1)(Gray Model，灰色模型)进行数据预处理；

步骤3：重构高密度的离线指纹库；将拟合得到的RSS求均值后，建立指纹点并构建成离线指纹库，按照IDW插值的方式重构高密度的离线指纹库，依照采集的指纹点的部署方式，插入点选择4个近邻指纹点进行预测；

步骤4：使用WKNN完成在线定位匹配；WKNN通过计算实时采集的RSS和指纹点的欧几里得距离(也称欧式距离)，找到欧式距离最近的k个指纹点，采用欧式距离的n次方的倒数定权，将k个指纹点的加权质心作为未知点的坐标。

2.根据权利要求1所述的一种基于iBeacon指纹库的室内定位方法，其特征在于，所述的步骤1中iBeacon的部署高度为2.6±0.1米，部署间距为5‑10米，部署时应尽量避开强磁、强电、障碍物；参考指纹点稀疏的标定在室内定位区域，以3±0.5平方米的密度均匀标定，但具体密度应结合实地情况而定。

3.根据权利要求1所述的一种基于iBeacon指纹库的室内定位方法，其特征在于，所述的步骤2中利用GM(1,1)模型进行预处理的过程包含以下具体步骤：(0)

步骤2.1对一组RSS数据值从小到大排列，构成原始数列RSS ：(0) (1)

步骤2.2对RSS 进行数据累加得到新数列RSS ，如式(1)所示：式(1)中，

步骤2.3计算紧邻均值，如式(2)所示：步骤2.4建立GM(1,1)拟合模型,进而得到预测后的RSS，拟合模型如式(3)所示：式(3)中， 为灰导数，a和u为要获取的关键系数；其中，a为发展系数，u为灰作用量，可由最小二乘法求得a和u，最小二乘法计算式如式(4)所示；

T T ‑1 T

[a,u]＝(BB) BY (4)式(4)中， 响应函数计算式如式(5)所示；

式(5)中， 为 的估计值， 为 的估计值，即预测的RSS；

(0)

步骤2.5优化验证；对求得的预测数列使用方差比C检验和小误差概率p检验，RSS 为(0)

原始数列， 是模型预测数列，ε 为残差数列，各数列的均值和方差如式(6)所式；

式(6)中，定义方差比 小误差概率 通常C＜0.35，p＞0.95精度等级最高。

4.根据权利要求1或权利要求3所述的一种基于iBeacon指纹库的室内定位方法，其特征在于，所述的步骤2中以2秒的短时采集方式，采集各参考指纹点上的指纹信息。

5.根据权利要求1所述的一种基于iBeacon指纹库的室内定位方法，其特征在于，所述的步骤3中采用IDW插值法重构高密度指纹库的具体过程如下：给定待插入点F0的坐标(x0,y0)，找到距待插入点最近的4个参考指纹点Fi(其中，i＝1,

2,3,4)，则待插入点F0的属性值计算式如式(7)所示；

上式中，xi、yi分别表示近邻指纹点Fi的横纵坐标，R(Fi)为近邻指纹点Fi的属性值，λi(i*

＝1,2，3,4)是R(Fi)的权值，R(F0)为求得的待插入点的属性值。

6.根据权利要求1所述的一种基于iBeacon指纹库的室内定位方法，其特征在于，所述的步骤4中将k个指纹点的加权质心作为未知点的坐标，计算式如式(10)所示：式(10)中，(x,y)iBeacon表示未知点的坐标，Di表示实时采集的RSS到第i个指纹点的欧氏距离，(xi,yi)表示第i个指纹点的坐标。