1.一种基于指纹库迁移重构的5G室内定位方法，其特征在于，包括离线阶段和在线阶段，其中：离线阶段包括：

第一步：对历史离线数据库进行自适应筛选：将历史采集的数据与当前采集的数据样本，基于基站相似度对历史离线数据库中的样本进行细化筛选，筛选出与目标域的样本特征相似的历史源域样本，并基于源域与目标域之间的差异确定源域的样本数，完成自适应源域筛选；

第二步：基于源域与目标域的同构特征，采用模糊C均值算法对经过自适应筛选后保留的历史源域样本进行聚类算法模型的训练，并基于源域样本和目标域样本之间的位置坐标关系对目标域样本生成伪标签并进行类别归属；

第三步：利用映射矩阵和重构矩阵对源域和目标域之间进行同构知识向异构知识的迁移，对同现样本进行数据加权处理，对异现样本基于类内距离、类间距离与邻居分布差异函数进行重构处理，生成一个新的域不变的共享指纹库，并更新共享指纹库中所有样本的类标签；具体包括：3-1：假设在源域和目标域中分别存在源域映射矩阵PS和目标域映射矩阵PT，将同构特征的知识转移到异构特征，完成两域之间异构特征知识的迁移，得到源域中对应的目标域特有特征知识为和目标域中对应的源域特有特征知识为即

则新的源域RN-S和目标域RN-T分别为和 3-2：对同构知识进行投影转移时，不能破坏对应域原来的数据结构，在求解映射矩阵的过程中将对应域原有的同构数据进行映射到其特有的异构数据中，通过将差异最小化，将对原有数据结构的影响最小化，对应差异FSOD为：

3-3：将新源域与目标域中的样本基于位置坐标分为同现样本与异现样本，同一位置坐标的样本为同现样本，分别记为RN-S,B和RN-T,B，反之则为异现样本，分别记为RN-S,G和RN-T,G，设同现样本共有ρ个；

3-4：对ρ个同现样本进行处理，在构建的新的共享指纹库中同一坐标保留一个样本数据，即对两域数据进行加权处理，首先判断哪些基站的数据发生变化的程度较大，引入高斯分布对两域数据的差值RSRP-di,l进行比较，若差值过低，则说明变化程度小，保留目标域的最新数据若处于中间平均区域，则计算两个数据的均值；若相差较大，则分别对源域和目标域的对应基站的数据进行加权，指纹库中第i个同现样本的第j个基站信号数据的加权计算如下：

其中，μ表示两域中所有基站特征数据的差值RSRP-di,l的均值，σ表示两域中所有基站特征数据的差值RSRP-di,l的分布标准差；

3-5：对源域和目标域中各自的异现样本进行重构，分别引入重构矩阵ZS和ZT，则重构后的异现样本RG-S和RG-T分别为：

3-6：对于同现样本更新后的数据，基于类内距离最小化，即源域与目标域中与同现样本属于同一类的样本之间的距离最小化，构建类内差异函数FICD：

其中，表示第i个同现样本，表示源域中第j个异现样本，表示目标域中第j个异现样本；且

最后，重构后得到的新的共享指纹库DN的信号特征数据为RN＝[RB RG-S RG-T]T；

3-7：基于类中心样本重构后的数据引入最大均值差异指标，构建类间差异函数FBCD：

其中，为共享指纹库RN中第c1类中的样本数，为共享指纹库RN中第c2类中的样本数，为共享指纹库RN中第i个参考点样本，为共享指纹库RN中第j个参考点样本；

3-8：基于整个指纹库中的所有参考点样本，引入样本间坐标的欧式距离，欧式距离越小，则参考点间距离越近、数据差异越小，构建邻居分布差异函数FAID：

其中，nN为共享指纹库RN中参考点样本数，为共享指纹库中第i个样本的坐标，为共享指纹库中第j个样本的坐标；

3-9：得到两域之间投影与重构得到共享指纹库的总目标函数F为：F＝FSOD+FICD+FAID-FBCD 将上式最小化，通过迭代计算，得到对应的投影PS、PT与重构矩阵ZS、ZT；

3-10：完成映射与新域的重构后得到了新的共享指纹库DN，对DN中所有样本参考点的信号特征数据RN重新计算隶属度，隶属度更新如下：

其中，为共享指纹库RN中第i个参考点样本的第a个特征数据，为共享指纹库RN中第j类的类别中心点样本的第a个特征数据；

根据上述更新的隶属度对DN中所有源域和目标域中所有样本重新进行分类，样本得到新的类别标签LN；

在线阶段包括：

第一步：接收信号特征数据，并以数据包的形式发送给连接的基站，由基站侧对信号特征数据进行数据投影重构，得到最终的信号值；

第二步：将最终的信号值与离线阶段得到的各聚类中心点进行匹配，对定位点的类别进行归属；

第三步：将定位点与类内的各个参考点进行位置匹配，基于改进的加权近邻算法对定位点进行位置解算，得到定位点的坐标；

第四步：基于5G网络的下行技术，由基站将将定位点的坐标数据发送给终端。

2.根据权利要求1所述的基于指纹库迁移重构的5G室内定位方法，其特征在于，离线阶段第一步具体包括：1-1：初始的离线数据库DO＝{RO,QO}包括nO个参考点的数据，其中，表示参考点的位置坐标信息，表示信号数据信息，表示第i个参考点上接收到的L个基站的数据，O

i∈[1,n0]；

在时间A上的目标域数据库为其中，时间A表示重新采集指纹样本的当前时间，表示第i个参考点上接收到的LT个基站的数据，nT为目标域中参考点样本的数目；

1-2：假设离线数据库DO与目标域数据库DT中的所有被扫描的基站数为L，定义检测指标和其中当检测指标值为1时，表示第i个样本扫描到了第l个基站；

基于上述检测指标计算离线数据库DO与目标域数据库DT中各样本的基站相似度α(i，j)：

在第i个样本和第j个样本间检测到的共享的基站数目越多，则α(i，j)越大，说明源域中第i个样本对目标域的作用越大；

1-3：设目标域中第j个基站的最大值与最小值如下：

则设

式中，则源域中第i个样本的权重为其中θi为基于最大值与最小值得到的样本的基站特征相似度权重，θmax为所有样本的θi中的最大值；因此，源域中第i个样本的基站相似度为：

对于所有的离线库样本有从而，基于s保留最相似的nS个样本构建新的源域 1-4：经源域筛选后保留的样本构建与目标域相关的新源域DS，由于保留的样本数nS决定了相似度阈值，因此，建立如下源域筛选的优化模型，基于该模型，得到最优的相似度阈值，从而确认最佳的源域样本数nS；

该优化模型的第一部分表示新的源域与目标域之间误差的最小化，第二部分表示两域样本基站特征的相似程度。

3.根据权利要求1所述的基于指纹库迁移重构的5G室内定位方法，其特征在于，离线阶段第二步具体包括：2-1：基于离线阶段检测指标和其中当检测指标值为1时，表示第i个样本扫描到了第l个基站；第j个基站的总检测指标当该值不为0时，表示第j个基站的信号特征为源域和目标域的同构特征，分别记为和否则，则为异构特征分别记为和在异构特征中，若则为源域的特有基站特征，若则为目标域的特有基站信息；

2-2：对源域的数据基于同构特征进行聚类，采用模糊C均值聚类算法，随机初始化模糊C均值聚类的类别数，计算每个参考点的隶属度，初始化隶属度矩阵，通过隶属度计算初始指纹聚类中心，并依据聚类算法的目标函数更新聚类中心cj，聚类算法的目标函数J为：

式中，U表示类别数目，nS表示源域样本的数目，表示隶属度，表示加权系数或模糊控制参数，设为2，L表示信号特征数，表示第i个源域样本的第a个特征数据，表示第j个类别的聚类中心cj的第a个特征数据，依据新的聚类中心重新计算隶属度 2-3：基于源域的类别和聚类中心，对目标域的数据基于同构特征进行分类，并引入坐标相关度作为分类的权值，则目标域中第i个样本到各个聚类中心的聚类隶属度为：

其中，表示第j个类别的聚类中心cj的横坐标，表示第i个目标域样本的横坐标，表示第j个类别的聚类中心cj的纵坐标，表示第i个目标域样本的纵坐标，基于聚类距离完成分类，即获得目标域的类别伪标签。

4.根据权利要求1所述的基于指纹库迁移重构的5G室内定位方法，其特征在于，在线阶段第三步具体包括：(3-1)将在线阶段终端接收到的定位点的信号数据作为目标域的数据基于映射矩阵PS进行映射，基于重构矩阵ZT重构新的信号特征RSRPIL使该样本与共享指纹库满足维度齐次与分布相似；

(3-2)将定位点匹配到第g个类别区域中，设共享指纹库第g个类别区域中共有个参考点，选择曼哈顿距离作为权值，解算定位点的坐标，第i个参考点的曼哈顿距离权重ωi为：

其中，表示重构后的在线样本的第k个特征的信号数据，表示共享指纹库中第i个参考点样本的第k个特征的信号数据，表示共享指纹库中第a个参考点样本的第k个特征的信号数据；

(3-3)基于上式计算参考点的加权质心，得到质心的坐标即为定位点的坐标：