1.基于改进LSSVR的室内指纹定位方法，其特征在于，所述方法包含离线训练阶段和在线匹配阶段；

所述离线训练的步骤为：

S1‑1、在待定位区域按照一定的间隔放置若干参考点；

S1‑2、在每个参考点采集来自全部AP点的信号强度作为当前参考点的位置指纹数据，用于构建无线电地图；

S1‑3、通过KPCA算法进行数据的预处理，提取出RSSI样本的定位特征，构建指纹数据库；具体为：将F作为输入通过KPCA算法提取原始位置指纹的特征，构建特征位置指纹空间F'＝T(F1',F′2,...,F′N) ，其中Fi'即为li(xi,yi)的特征指纹；

S1‑4、将参考点的位置和相应的定位特征作为训练样本对，利用LSSVR算法进行训练，同时利用SAPSO算法对LSSVR的参数进行优化，得到最终的LSSVR模型；具体为：S1‑4‑1、初始化LSSVR算法参数γ和σ，以及粒子的速度和位置，起始温度T0，退火系数ξ；

S1‑4‑2、选择室内定位精度作为粒子群的适应度函数f(x)，并利用LSSVR模型计算初始适应度值f(x0)；

S1‑4‑3、计算每个粒子的速度v和位置x，以及适应度差值Δf；

每个粒子的速度计算公式为：

vi(k+1)＝χ[ωvi(k)+c1r1(pbest‑xi(k))+c2r2(gbest‑xi(k)]，其中，χ为收缩因子，k为迭代周期，ω为惯性因子，pbest和gbest分别为当前迭代周期的个体极值和全局极值；

每个粒子的位置计算公式为：

xi(k+1)＝xi(k)+vi(k+1)，其中，xi(k)为粒子当前迭代周期的位置；

适应度差值的计算公式为：

Δf＝f(x')‑f(x)，

其中，x'为当前迭代周期解x的可行域中产生的新解，适应度函数f(x)由定位精度确定；

S1‑4‑4、计算当前温度T下各粒子接受新解的概率P并更新速度和位置；

S1‑4‑5、更新个体的全局极值pbest以及种群的全局极值gbest；

S1‑4‑6、退火，寻找下一个温度T'时的最优解；

S1‑4‑7、判断是否达到全局最优解，否则跳转至S1‑4‑3；

S1‑4‑8、根据S1‑4‑7输出的参数建立最优的LSSVR模型；

所述在线匹配的步骤为：在待定位目标点采集来自全部AP点的信号强度，利用建立好的LSSVR模型对提取后的定位特征进行位置估计。

2.根据权利要求1所述的基于改进LSSVR的室内指纹定位方法，其特征在于，所述S1‑2所述的在每个参考点采集来自全部AP点的信号强度作为当前参考点的位置指纹数据具体步骤为：在定位区域布设N个参考节点，每个参考节点的物理位置为li(xi,yi)，在各个参考节点采集来自n个AP点的RSSI值，每个参考点都要进行多次采集取均值，将得到的RSSI均值作为当前参考节点li(xi,yi)的原始位置指纹信息，它是一个n维向量Fi＝(rssi,1,rssi,2,...,Trssi,n) ，i∈(1,N)，其中rssi,j为采集多次来自第j个AP点的RSSI的均值；将全部参考节点T的原始位置指纹构成一个N×n维的原始位置指纹空间F＝(F1,F2,...,FN) 。

3.根据权利要求1所述的基于改进LSSVR的室内指纹定位方法，其特征在于，S1‑4‑4中，当前温度T下各粒子接受新解的概率计算公式为：其中，Δf表示适应度差值，K为玻尔兹曼常数，T为当前温度。