1.一种基于派生指纹迁移的室内智能定位方法，其特征在于：具体包括如下步骤：步骤1：在离线阶段，采用移动设备在室内不同位置下与5G基站进行通信，将不同的位置作为参考点，获取一段时间序列内移动设备在每个参考点接受到的RSS信息，移动设备在每个参考点收到的信号的入射角以及每个参考点的位置信息；所述一段时间序列中时刻的总个数为U，所述5G基站的总个数为M个，参考点的总个数为E0，令参考点的集合为R；

步骤2：计算每个参考点派生指纹特征，所述派生指纹特征包括累积平均指纹特征F1(RSS_θr)，差分指纹特征F2(RSS_θr)和双曲线指纹特征F3(RSS_θr)：RSS_θr表示基于RSS与入射角信息的参考点r的联合指纹；并根据每个参考点的三个指纹特征，计算每个参考点的最优K值；建立离线派生指纹库，该离线派生指纹库包括每个参考点的派生指纹特征，最优K值，RSS信息，信号入射角度和位置信息，r＝1,2,...,E0；

步骤3：判断实际室内场景的时变是否超过预设的天数，若是则转步骤4，否则，根据离线派生指纹库中参考点的最优K值，使用最近邻算法计算目标域中待测点*的位置信息；所述目标域包括已知点和待测点，所述已知点为实际室内场景中RSS信息，信号的入射角和位置信息均已知的点，所述待测点为实际室内场景中RSS信息，信号的入射角已知但是位置信息未知的点；

步骤4：采用迁移学习对离线派生指纹库进行迁移，从而构建无线电地图，根据无线电地图中的新参考点，以及迁移前离线派生指纹库中参考点的最优K值，确定待测点的位置信息；

所述步骤2为：计算参考点r的累积平均指纹特征具体为：

设置累积平均值的计算公式如下：

其中， 表示时刻1到时刻u的数据的累积平均值，l(u+1)表示时刻u+1时数据的实际值，u＝1,2,…,U；

基于累积平均值的计算公式计算参考点r的累积平均指纹特征：其中， 表示第M个5G基站对参考点r在第U‑1个时刻下的派生指纹的累计平均值；RSS_θr的表达式为：其中，m表示第m个5G基站，m＝1,2,…,M； 表示第m个5G基站对参考点r在时刻u时所采集的RSS数据， 表示第m个5G基站对参考点r在时刻u时所采集的信号入射角度数据；

参考点r的差分指纹特征F2(RSS_θr)的表示为：

F2(RSS_θr)＝[Δψr(1),…,Δψr(u),…,Δψr(U)]其中，Δψr(u)的表达式为：

其中，m1表示第m1个基站，m2表示第m2个基站，m1＝1,2，...,M,m2＝1,2，...,M,且m1≠m2；

的表达式如下所示：

参考点r的双曲线指纹特征F3(RSS_θr)的表达式为：F3(RSS_θr)＝[lr(1),…,lr(u),…,lr(U)]其中，lr(u)的表达式为：

其中， 的表达式为：

所述步骤2计算每个参考点的最优K值具体为：计算任意两个参考点r1和r2之间的指纹欧式距离其中，r1＝1,2,...,E0,r2＝1,2,...,E0,且r1≠r2，||·||2表示二范数公式； 表示与e取值相应的指纹特征的权重系数；

根据如下目标函数计算参考点r1的最优K值：

其中， 和 表示参考点r1的实际位置信息， 和 分别表示参考点r1的预测位置的横坐标和纵坐标， 表示参考点r1的K值， 表示参考点r1的K值为 时，对参考点r1进行KNN定位时所选择的 个参考点的集合，对上述目标函数进行求解，得到参考点r1的最优K值 表示基于最优K值，对参考点r1进行KNN定位时所选择的 个参考点的集合；

参考点r1的预测位置 的表达式为：

其中， 表示集合 中第1个参考点， 表示集合 中第 个参考点， 表示参考点r1与集合 中参考点r'1的指纹欧式距离， 表示集合 中参考点r'1的实际位置信息。

2.根据权利要求1所述的一种基于派生指纹迁移的室内智能定位方法，其特征在于，所述步骤3计算目标域中待测点*的位置信息具体为：使用最近邻算法进行参考点匹配：

其中， 表示待测点*与参考点r的指纹欧式距离，Fe(RSS_θ*)表示待测点*的与e取值相应的指纹特征；

选择欧式距离最近的参考点对应的最优K值作为待测点*的最优K值 将每个参考点与待测点*的指纹欧式距离由小到大排序，取前 个指纹欧式距离对应的参考点组成集合 从而计算得到待测点*的位置(x*,y*)：其中， 表示集合 中第一个参考点， 表示集合 中第 个参考点， 表示待测点*与集合 中参考点r*之间的欧式指纹距离，所述 表示集合 中参考点r*的实际位置信息。

3.根据权利要求1所述的一种基于派生指纹迁移的室内智能定位方法，其特征在于，所述步骤4具体为：将离线派生指纹库作为源领域，建立迁移学习的目标函数：将迁移学习的目标函数进行拉格朗格乘数法求解，得到：

其中，χ1和χ2均为参数，λ为拉格朗日乘数，V为

的特征向量，令

表示源领域Ds和目标域Dt的域间类间散度矩阵, 表示源领域Ds和目标域Dt的域间类内散度矩阵， 源领域Ds域内类间散度矩阵， 源领域Ds域内类内散度矩阵； 和 的表达式为：其中，wo,r表示已知点o和参考点r之间的差异性，o＝1,2,…,E1，E1为已知点的总个数，σe为可调参数； 表示参考点r1和参考点r2之间的差异性，lo(r)和lo(o)分别表示参考点r和已知点o的位置信息； 表示已知点o经过高斯核函数映射后的指纹特征向量均值， 表示参考点r经过高斯核函数映射后的指纹特征向量均值， 和的表达式如下所示：其中， 和 分别表示已知点o和参考点r的指纹特征向量， 表示目标域中所有已知点的指纹特征向量经过高斯核函数映射后的核矩阵， 表示源领域中所有参考点的指纹特征向量经过高斯核函数映射后的核矩阵， 和 的表达式如下所示：将 的若干个广义特征值由大到小排列，选择前 个广义特征值，建立维度为 的新映射空间；

根据如下规则建立源分域：

其中， 表示基于参考点r2的最优K值 对参考点r2进行KNN定位时所选择的个参考点的集合；将与同一个源分域中参考点位置相同的已知点作为同一个目标分域；将每个源分域 中的每个参考点rsa映射到维度为 的新映射空间中，得到映射后的表示其中， 表示源分域 和目标分域 映射到新映射空间中的映射矩阵， 表示源分域 中参考点rsa的指纹特征向量； 表示源分域 投影到新映射空间中的核矩阵；

将每个目标分域 中的每个参考点ota映射到维度为 的新映射空间中，得到映射后的表示其中, 表示目标分域 中参考点ota的指纹特征向量； 表示目标分域 投影到新映射空间中的核矩阵；

将新映射空间中每个已知点和新映射空间中剩余参考点组成新离线派生指纹库；所述剩余参考点为源领域中除与已知点相对应的参考点以外的参考点；

根据新离线派生指纹库在新的新映射空间中的指纹特征向量，构建无线电地图，无线电地图中新参考点的集合为 表示无线地图中第e0个新参考点，e0＝1,2,...,E0；且新参考点 与源领域中第e0个参考点具有相同的最优K值；计算待测点与新参考点 之间的指纹欧式距离：其中， 表示待测点与e取值对应的指纹特征在新映射空间的表示，表示新参考点 与e取值对应的指纹特征在新映射空间中的表示；

选择与待测点指纹欧式距离最近的新参考点对应的最优K值作为待测点的最优K值将所有新参考点与待测点之间的指纹欧式距离，按照由小到大排列，选择前 个的指纹欧式距离对应的新参考点组成集合 从而得到待测点的位置：其中 表示集合 中第一个新参考点， 表示集合 中第 个新参考点，表示集合 中新参考点r'*的实际位置信息， 表示待测点*和新参考点r'*之间的指纹欧式距离。