1.一种分方向熵加权WKNN的位置指纹室内定位方法，该方法包括：指纹数据的获取及预处理，构建离线位置指纹数据库，在线定位三个部分；

所述指纹数据的获取及预处理方法为：

在预定的测试区域中，按照一定间隔设定参考点，在每个参考点向不同方向收集数据信号；在每个参考点收集数据后，使用限幅‑均值滤波对收集的数据进行预处理，剔除其中的异常数据；使得各参考点的指纹数据拥有更好的稳定性以及准确性；

所述构建离线位置指纹数据库的方法为：

指纹数据库由下列公式表示：

式中Ω为原始位置指纹数据库，RSSI2j表示第2个参考点接收到的第j个AP的RSSI值；N为AP个数；M表示参考点的数量；(x1,y1)表示第一个参考点的坐标；

将原始指纹数据库根据空间位置平均划分为4个子数据库，如果该子数据库中数据个数大于设定阈值，则再次对4个子数据库进行划分，直到新一轮的子数据库中数据个数小于等于设定阈值，最后一次划分得到的子数据库称为最小子数据库，根数据库由所有子指纹库共同构建而成；

所述在线定位方法为：

步骤1：获取待定位目标的RSSI矢量值后，与当前层级4个子数据库的质心矢量进行欧式距离的计算，选取其中欧式距离最小的子数据库进行后续计算；

步骤2：采用如下方法在各个方向上选择出K个对定位目标更有用的参考点；

步骤2.1：计算各AP的RSSI值与选择计算的方向上坐标值的相关系数rj；

式中，rssiij表示区域中第i个参考点接收到的第j个AP的RSSI值， 表示区域中所有参考点接收到的第j个AP的RSSI的平均值，则表示区域中所有参考点在选择计算的方向上坐标的平均值，xi表示第i个参考点在选择计算的方向上的坐标值；

步骤2.2:对得到的相关性系数进行归一化处理；

其中，rg为第g个AP的RSSI值与选择计算的方向上坐标值之间的相关性系数；

步骤2.3：计算带定位点到参考点之间的欧式距离，并选择欧式距离最小的K个参考点；

其中，di表示待定位点与第i个参考点间的欧氏距离；

步骤3：采用下式分别计算步骤2得到的K个参考点接收到的第i个AP的RSSI值的占比，其中，pij表示第j个参考点接收到的第i个AP的RSSI值的占比，j＝1,2，…，K；

步骤4：采用下式分别计算步骤2得到的K个参考点的信息熵；

其中，Ej表示第j个参考点的信息熵；

步骤5：采用下式分别计算步骤2得到的K个参考点的权值，其中，wj表示第j个参考点权值；

步骤6：将各K个参考点的权值带入如下公式得到选定方向上的定位结果；

其中，ε为一个不为零的小实数，避免分母为零的情况出现；

步骤7：采用步骤2到步骤6相同的方法计算其余方向上的定位结果，融合各个方向定位结果得到待定位目标点的位置坐标。