1.一种抵御恶意AP攻击的Wi‑Fi室内定位方法，其特征在于，包括：

获取定位区域内待定位点的待定位Wi‑Fi指纹，并将所述待定位Wi‑Fi指纹转换成待定位单通道指纹图像；

判断所述待定位单通道指纹图像是否遭受恶意AP攻击；

当所述待定位单通道指纹图像未遭受恶意AP攻击时，基于训练完备的目标定位模型和所述待定位单通道指纹图像获得所述待定位点的定位结果；

当所述待定位单通道指纹图像遭受恶意AP攻击时，将所述待定位单通道指纹图像输入至训练完备的目标图像预测模型中，获得待定位安全单通道指纹图像，并基于所述目标定位模型和所述待定位安全单通道指纹图像获得所述待定位点的定位结果。

2.根据权利要求1所述的抵御恶意AP攻击的Wi‑Fi室内定位方法，其特征在于，在所述将所述待定位单通道指纹图像输入至训练完备的目标图像预测模型中，获得待定位安全单通道指纹图像之前，还包括：获取定位区域内多个参考定位点的Wi‑Fi指纹，并根据所述Wi‑Fi指纹构建Wi‑Fi指纹数据库；

基于所述Wi‑Fi指纹数据库创建单通道指纹图集，并确定所述单通道指纹图集中遭受恶意AP攻击的多个受攻击单通道指纹图像和未遭受恶意AP攻击的多个安全单通道指纹图像；

构建初始图像预测模型，并基于所述受攻击单通道指纹图像和所述安全单通道指纹图像训练所述初始图像预测模型，获得所述目标图像预测模型。

3.根据权利要求2所述的抵御恶意AP攻击的Wi‑Fi室内定位方法，其特征在于，所述确定所述单通道指纹图集中遭受恶意AP攻击的多个受攻击单通道指纹图像和未遭受恶意AP攻击的多个安全单通道指纹图像，包括：获取参考单通道指纹图像，并提取所述参考单通道指纹图像的参考特征；

提取所述单通道指纹图集中各单通道指纹图像的待比对特征；

基于预设的损失函数、所述参考特征和所述待比对特征从所述单通道指纹图集中确定出所述多个受攻击单通道指纹图像和所述多个安全单通道指纹图像。

4.根据权利要求2所述的抵御恶意AP攻击的Wi‑Fi室内定位方法，其特征在于，所述基于所述受攻击单通道指纹图像和所述安全单通道指纹图像训练所述初始图像预测模型，获得所述目标图像预测模型，包括：步骤一、将所述受攻击单通道指纹图像输入至所述初始图像预测模型，并获得预测单通道指纹图像；

步骤二、确定所述预测单通道指纹图像和所述安全单通道指纹图像之间的损失值，并判断所述损失值是否小于损失阈值；

步骤三、当所述损失值小于所述损失阈值时，所述初始图像预测模型为所述目标图像预测模型；

步骤四、当所述损失值大于或等于所述损失阈值时，更新所述初始图像预测模型，并重复步骤一～步骤四。

5.根据权利要求1所述的抵御恶意AP攻击的Wi‑Fi室内定位方法，其特征在于，所述目标图像预测模型包括依次连接的第一输入层、第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第五卷积模块、第六卷积模块、第七卷积模块、第八卷积模块、第九卷积模块、第十卷积模块以及第一输出层；

所述第一卷积模块包括第一卷积层和第一池化层，所述第一卷积层包括64个第一卷积核，所述第一卷积核的尺寸为3×3，步长为1，所述第一池化层包括第一池化卷积核，所述第一池化卷积核的尺寸为2×2，步长为1；

所述第二卷积模块包括第二卷积层和第二池化层，所述第二卷积层包括128个第二卷积核，所述第二卷积核的尺寸为3×3，步长为1，所述第二池化层包括第二池化卷积核，所述第二池化卷积核的尺寸为2×2，步长为1；

所述第三卷积模块包括第三卷积层和第三池化层，所述第三卷积层包括256个第三卷积核，所述第三卷积核的尺寸为3×3，步长为1，所述第三池化层包括第三池化卷积核，所述第三池化卷积核的尺寸为2×2，步长为1；

所述第四卷积模块包括第四卷积层和第四池化层，所述第四卷积层包括512个第四卷积核，所述第四卷积核的尺寸为3×3，步长为1，所述第四池化层包括第四池化卷积核，所述第四池化卷积核的尺寸为2×2，步长为1；

所述第五卷积模块包括第五卷积层和第五池化层，所述第五卷积层包括1024个第五卷积核，所述第五卷积核的尺寸为3×3，步长为1，所述第五池化层包括第五池化卷积核，所述第五池化卷积核的尺寸为2×2，步长为1；

所述第六卷积模块包括第六卷积层、第一上采样层和第二上采样层，所述第六卷积层包括512个第六卷积核，所述第六卷积核的尺寸为3×3，步长为1，所述第一上采样层和所述第二上采样层均包括第一采样卷积核，所述第一采样卷积核的尺寸为2×2，步长为1；

所述第七卷积模块包括第七卷积层和第三上采样层，所述第七卷积层包括256个第七卷积核，所述第七卷积核的尺寸为3×3，步长为1，所述第三上采样层包括第二采样卷积核，所述第二采样卷积核的尺寸为2×2，步长为1；

所述第八卷积模块包括第八卷积层和第四上采样层，所述第八卷积层包括128个第八卷积核，所述第八卷积核的尺寸为3×3，步长为1，所述第四上采样层包括第三采样卷积核，所述第三采样卷积核的尺寸为2×2，步长为1；

所述第九卷积模块包括第九卷积层和第五上采样层，所述第九卷积层包括64个第九卷积核，所述第九卷积核的尺寸为3×3，步长为1，所述第五上采样层包括第四采样卷积核，所述第四采样卷积核的尺寸为2×2，步长为1；

所述第十卷积模块包括第十卷积层和第十一卷积层，所述第十卷积层包括64个第十卷积核，所述第十卷积核的尺寸为3×3，步长为1，所述第十一卷积层包括1个第十一卷积核，所述第十一卷积核的尺寸为3×3，步长为1。

6.根据权利要求2所述的抵御恶意AP攻击的Wi‑Fi室内定位方法，其特征在于，在所述基于训练完备的目标定位模型和所述待定位单通道指纹图像获得所述待定位点的定位结果之前，还包括：构建初始定位模型；

构建安全单通道指纹图集，并基于所述安全单通道指纹图集对所述初始定位模型进行训练，获得所述目标定位模型。

7.根据权利要求6所述的抵御恶意AP攻击的Wi‑Fi室内定位方法，其特征在于，所述构建安全单通道指纹图集，包括：获取所述单通道指纹图集中的所述多个安全单通道指纹图像；

将所述多个受攻击单通道指纹图像输入至所述目标图像预测模型中，获得与所述多个受攻击单通道指纹图像一一对应的多个预测安全单通道指纹图像；

基于所述多个安全单通道指纹图像和所述多个预测安全单通道指纹图像构建所述安全单通道指纹图集。

8.根据权利要求6所述的抵御恶意AP攻击的Wi‑Fi室内定位方法，其特征在于，所述目标定位模型包括依次连接的第二输入层、第一定位卷积模块、第二定位卷积模块、第三定位卷积模块、第四定位卷积模块、第一全连接层、第二全连接层以及第二输出层；

所述第一定位卷积模块包括第一定位卷积层和第一定位池化层，所述第一定位卷积层包括32个第一定位卷积核，所述第一定位卷积核的尺寸为3×3，步长为1，所述第一定位池化层包括第一定位池化卷积核，所述第一定位池化卷积核的尺寸为2×2，步长为1；

所述第二定位卷积模块包括第二定位卷积层和第二定位池化层，所述第二定位卷积层包括64个第二定位卷积核，所述第二定位卷积核的尺寸为3×3，步长为1，所述第二定位池化层包括第二定位池化卷积核，所述第二定位池化卷积核的尺寸为2×2，步长为1；

所述第三定位卷积模块包括第三定位卷积层和第三定位池化层，所述第三定位卷积层包括128个第三定位卷积核，所述第三定位卷积核的尺寸为3×3，步长为1，所述第三定位池化层包括第三定位池化卷积核，所述第三定位池化卷积核的尺寸为2×2，步长为1；

所述第四定位卷积模块包括第四定位卷积层和第四定位池化层，所述第四定位卷积层包括256个第四定位卷积核，所述第四定位卷积核的尺寸为3×3，步长为1，所述第四定位池化层包括第四定位池化卷积核，所述第四定位池化卷积核的尺寸为2×2，步长为1；

所述第一全连接层的通道数为128，采用的激活函数为ReLU函数；

所述第二全连接层的通道数为1，采用的激活函数为softmax函数。

9.根据权利要求1所述的抵御恶意AP攻击的Wi‑Fi室内定位方法，其特征在于，所述待定位Wi‑Fi指纹包括多个信号接收强度向量和MAC地址；所述将所述待定位Wi‑Fi指纹转换成待定位单通道指纹图像，包括：将所述多个信号接收强度向量进行归一化，获得多个归一化强度向量；

基于预设的放大倍数将所述多个归一化强度向量进行方法，获得多个归一化放大向量；

对所述多个归一化放大向量进行填充及转换，获得预设尺寸的待定位单通道指纹图像。

10.一种抵御恶意AP攻击的Wi‑Fi室内定位装置，其特征在于，包括：

待定位指纹图像获取单元，用于获取定位区域内待定位点的待定位Wi‑Fi指纹，并将所述待定位Wi‑Fi指纹转换成待定位单通道指纹图像；

恶意AP攻击判断单元，用于判断所述待定位单通道指纹图像是否遭受恶意AP攻击；

第一定位单元，用于当所述待定位单通道指纹图像未遭受恶意AP攻击时，基于训练完备的目标定位模型和所述待定位单通道指纹图像获得所述待定位点的定位结果；

第二定位单元，用于当所述待定位单通道指纹图像遭受恶意AP攻击时，将所述待定位单通道指纹图像输入至训练完备的目标图像预测模型中，获得待定位安全单通道指纹图像，并基于所述目标定位模型和所述待定位安全单通道指纹图像获得所述待定位点的定位结果。