1.一种基于深度生成学习网络的多模态室内定位方法，其特征在于，包括：S1、通过移动设备的磁力计、加速度计和陀螺仪采集方位、角速度和加速度序列数据；

S2、服务器获取移动设备采集的角速度和加速度序列数据并转化成二维指纹图像；步骤S2具体包括：服务器将角速度和加速度序列数据转换为递归图，递归图公式为：

；

；

其中：代表递归图，是一个标准化的欧几里得误差矩阵；代表递归图的第 维度；

代表序列的长度；和 代表序列中分别代表 中索引 和索引 处的数据；和 则代表当前维度瞬时数据作差取最大差值时的索引；

S3、服务器通过变分自编码器从二维指纹图像中提取序列特征向量；

首先，将二维指纹图像输入到VAE模型中，VAE由编码器和解码器两部分组成：编码器负责将输入的二维指纹图像映射到潜在空间中的潜在特征向量，编码器的输出包括潜在空间中的均值向量和方差向量；然后从编码器输出的均值和方差中采样一个潜在特征向量；最后，将采样得到的潜在特征向量输入到解码器中，解码器负责将潜在特征向量解码为原始的序列特征向量，这个序列特征向量用于后续的序列数据处理和分析；

S4、服务器将提取的序列特征向量与移动设备采集的指纹信息进行拼接作为移动设备的卷积神经网络的输入，移动设备通过卷积神经网络输出预测的位置结果，并将预测的位置结果传输至服务设备；

首先，用户通过移动设备请求位置信息，利用内置传感器采集实时的传感器数据，将其中位置弱相关的数据上传到服务器；其次，服务器接收用户提供的位置弱相关数据，利用特征提取器提取特征并返回给用户；然后，CSLoc系统利用深度生成网络结合磁场指纹和惯性数据，生成新的模态特征，从而实现高精度的室内定位，将原始传感器数据与服务端提供的特征进行拼接，作为位置预测器的输入。

2.根据权利要求1所述的基于深度生成学习网络的多模态室内定位方法，其特征在于，所述步骤S3中，将提取的序列特征的特征长度大小设置为6，并将其从1×6序列特征转换为

2×3序列特征。

3.根据权利要求2所述的基于深度生成学习网络的多模态室内定位方法，其特征在于，所述步骤S4中，将生成的2×3序列特征与移动设备采集的陀螺仪采集方位、角速度和加速度序列数据拼接为大小为5×3的2维特征矩阵。

4.一种基于深度生成学习网络的多模态室内定位系统，用于执行权利要求1‑3任一所述的基于深度生成学习网络的多模态室内定位方法；其特征在于，包括：移动设备，内置磁力计、加速度计和陀螺仪，用于采集方位、角速度和加速度序列数据；

移动设备通过内置的卷积神经网络输出预测的位置结果；

服务器，与移动设备通过网络进行传输通信，用于通过内置的变分自编码器获取移动设备采集的角速度和加速度序列数据并转化成二维指纹图像，并从二维指纹图像中提取序列特征向量，然后将提取的序列特征向量与移动设备采集的指纹信息进行拼接作为移动设备的卷积神经网络的输入；

服务设备，与移动设备通过网络传输通信，用于接收移动设备预测的位置结果。