1.一种基于半张量积压缩感知的室内定位方法，其特征在于包括以下步骤：步骤一、在目标区域内，随机部署L个无线接入点(Access Point，AP)和标定N个参考点(Reference Point，RP)，同时标定k个测试点(Test Point,TP)；

步骤二、在已知位置的RP处收集RSS读数的时间样本，在第j个RP处采集的第i个AP的原始RSS时间样本集记为{ψi,j(τ),τ＝1,…,q,q＞1}，其中q为在第j个RP处对第i个AP采集的数据总次数，由此可以对采集到的RSS取均值，并建立离线数据库：其中ψi,j表示的是在第j个RP的第i个AP处所测量的RSS均值；

步骤三、通过聚类算法将离线阶段收集的RP划分为多个聚类，并为每个聚类分配一个聚类中心；

步骤四、在线阶段，测量每个测试点处的RSS样本值y；

步骤五、在线阶段的粗定位阶段，通过比较在线测量的RSS样本值y与聚类中心的距离，找到距离最近的聚类区域作为新的目标区域，从而缩小定位区域的大小，其中，缩小后的聚类区域中的RP数量为N'；

步骤六、在线阶段的精细定位阶段，利用半张量积理论，来构造低阶的AP选择矩阵，从而搭建STP‑CS模型，具体包括以下步骤：步骤六(一)、由于用户在给定时刻的位置在离散空间域中是唯一的，因此可以将定位问题转化为需要求解的稀疏问题，因此，可以使用稀疏向量θ来表示用户的位置，θ是一个N'×1的向量，其中，只有θ(n)＝1，其余元素都等于0，最终的用户位置为θ＝1所对应的位置索引，即RP的索引，所以，通过寻找最优θ，可以找到相应的用户位置，表示为：T

θ＝[0,…,0,1,0…,0]

步骤六(二)、利用Fisher准则找到该聚类区域中得分最高的AP子集，得到维度为的AP选择矩阵，其中， 是所有AP的一个子集， 是所有AP的最佳子集，而M是原始CS模型中AP的一个子集，因此，在STP‑CS模型中需要满足步骤六(三)、STP‑CS模型既满足了传统CS模型的采样要求，又满足了CS理论的限制等距性和相互不相干特性，与传统的CS模型相比，该模型只改变了矩阵的大小，但不改变矩阵的任何特征，因此，该模型中y仍然表示在线测量的RSS值，表示为：其中 为低阶的AP选择矩阵，ΨL×N'是经过粗定位之后得到的较小的定位区域的RSS值，θN'×1是用户位置向量，N'为粗定位后RP的个数，为半张量积符号，因此，半张量积的计算方法如下：其中 n为p的因子，即p＝nt，aij∈A,bij∈B；

步骤七、根据构造的STP‑CS模型，利用IRLS算法实现稀疏位置的恢复，找到用户位置的索引，从而得到位置的估计，具体包括以下步骤：步骤七(一)、STP‑CS问题可以通过凸优化来解决，即需要求解的是l1范数的最小化问题：步骤七(二)、采用IRLS算法来实现，在该算法中，引入了迭代权重的概念，即：(n‑1) ‑1

w＝|Y |

其中权重值通过迭代得到；

步骤七(三)、最后得到位置索引，然后通过位置索引找到对应的位置，可以表示为：其中，Dn是一个对角矩阵，值为