1.一种基于多模态融合和深度学习的无线室内定位方法，其特征在于，包括以下步骤：（1）确定室内区域指纹参考点RP之间的间隔并划分子区域；

（2）在每个参考点处采集信道状态信息，计算无线信号的功率时延以及角度到达；采集信道状态信息包括：CSI的幅值和相位信息；公式如下：；

其中， 表示CSI信息的幅值，则指示了信道状态信息的相位；

针对无线信号的功率时延，设无线信道被建模为公式如下：；

其中，表示在OFDM系统中的子载波数， 表示无线信号传输过程中的多经的条数，表示在该条多径上的路径增益，表示载波频率；指示了信道的相位，表示由于接收端等间隔采样造成的延迟；则所提取的功率时延公式如下：；

其中， 表示第p条多径上的采样延迟；将计算信道的功率时延作为一组指纹信息；

信道的角度到达公式如下：

；

其中，表示傅里叶变换矩阵，表示同时服务同一个用户的无线接入点数量；

（3）构建多模态信息融合和卷积神经网络架构并将功率时延以及角度到达输入到模型进行训练；包括以下步骤：（31）将CSI的幅值信息 ，相位信息 ，功率时延 以及角度到达 作为定位点的指纹信息即输入数据；

（32）构建多模态信息融合和卷积神经网络架构，包括：三层卷积神经网络；具体流程如下：输入数据首先各经过一个卷积核大小是 ，步长为2，不补零的卷积核，接着经过一个批次归一化层和Relu激活函数层；然后所有的输出数据会共同被送入一个卷积核大小是，步长为1，不补零的卷积核，接着经过一个批次归一化层和Relu激活函数层；再次经过基于basic block的卷积神经网络；

其中，basic block的卷积神经网络包含4个basic block层，在每个basic block中，引入快捷连接；每个basic block包含两个卷积层，每个卷积层后面经过一个批次归一化层和Relu激活函数层，卷积核大小均为 ，步长随着网络深度的增加而增加；

（33）构建多模态信息融合和卷积神经网络架构的损失函数，公式如下：；

其中， 代表所有的参考定位点， 表示参考定位点的真实位置，代表整个神经网络；

（34）通过随机梯度下降优化器来训练整个神经网络实现室内的指纹定位；

（4）利用元学习加速网络训练和部署并提升定位精度；具体如下：设  是神经网络的损失函数， 是每个训练任务的损失函数，  是整个网络训练过程中的任务数， 是网络的初始化模型参数， 是在MAML训练每一个任务过程中模型在该任务收敛后的参数， 是MAML在训练完 个任务之后网络的参数，则得到基于任务的MAML的元学习的模型参数的损失函数公式如下：；

其中， 和  都通过如下的公式来进行更新：；

；

其中， 和 分别表示外循环和内循环的学习率； 表示模型在全部任务上损失函数的梯度；  表示模型在每个任务上损失函数的梯度；

利用以下公式来找到最佳参数 ：

；

在找到最优值 后，将测试任务馈送到用参数 初始化的网络中进行微调，并导出模型的最终性能。

2.根据权利要求1所述的一种基于多模态融合和深度学习的无线室内定位方法，其特征在于，步骤（1）具体如下：设置每个指纹参考点RP之间的间隔为1m‑5m；子区域划分为：把每100‑500个参考点组成一个小区域。

3.一种基于多模态融合和深度学习的无线室内定位系统，其特征在于，包括：指纹参考点模块：用于确定室内区域指纹参考点RP之间的间隔并划分子区域；

采集模块：用于在每个参考点处采集信道状态信息，计算无线信号的功率时延以及角度到达；采集信道状态信息包括：CSI的幅值和相位信息；公式如下：；

其中， 表示CSI信息的幅值，则指示了信道状态信息的相位；

针对无线信号的功率时延，设无线信道被建模为公式如下：；

其中，表示在OFDM系统中的子载波数， 表示无线信号传输过程中的多经的条数，表示在该条多径上的路径增益，表示载波频率；指示了信道的相位，表示由于接收端等间隔采样造成的延迟；则所提取的功率时延公式如下：；

其中， 表示第p条多径上的采样延迟；将计算信道的功率时延作为一组指纹信息；

信道的角度到达公式如下：

；

其中，表示傅里叶变换矩阵，表示同时服务同一个用户的无线接入点数量；

神经网络模块：用于构建多模态信息融合和卷积神经网络架构并将功率时延以及角度到达输入到模型进行训练；包括以下步骤：（31）将CSI的幅值信息 ，相位信息 ，功率时延 以及角度到达 作为定位点的指纹信息即输入数据；

（32）构建多模态信息融合和卷积神经网络架构，包括：三层卷积神经网络；具体流程如下：输入数据首先各经过一个卷积核大小是 ，步长为2，不补零的卷积核，接着经过一个批次归一化层和Relu激活函数层；然后所有的输出数据会共同被送入一个卷积核大小是，步长为1，不补零的卷积核，接着经过一个批次归一化层和Relu激活函数层；再次经过基于basic block的卷积神经网络；

其中，basic block的卷积神经网络包含4个basic block层，在每个basic block中，引入快捷连接；每个basic block包含两个卷积层，每个卷积层后面经过一个批次归一化层和Relu激活函数层，卷积核大小均为 ，步长随着网络深度的增加而增加；

（33）构建多模态信息融合和卷积神经网络架构的损失函数，公式如下：；

其中， 代表所有的参考定位点， 表示参考定位点的真实位置，代表整个神经网络；

（34）通过随机梯度下降优化器来训练整个神经网络实现室内的指纹定位；

元学习模块：用于利用元学习加速网络训练和部署并提升定位精度；具体如下：设  是神经网络的损失函数， 是每个训练任务的损失函数，  是整个网络训练过程中的任务数， 是网络的初始化模型参数， 是在MAML训练每一个任务过程中模型在该任务收敛后的参数， 是MAML在训练完 个任务之后网络的参数，则得到基于任务的MAML的元学习的模型参数 的损失函数公式如下：；

其中， 和  都通过如下的公式来进行更新：；

；

其中， 和 分别表示外循环和内循环的学习率； 表示模型在全部任务上损失函数的梯度；  表示模型在每个任务上损失函数的梯度；

利用以下公式来找到最佳参数 ：

；

在找到最优值 后，将测试任务馈送到用参数 初始化的网络中进行微调，并导出模型的最终性能。

4.根据权利要求3所述的一种基于多模态融合和深度学习的无线室内定位系统，其特征在于，指纹参考点模块中，具体如下：设置每个指纹参考点RP之间的间隔为1m‑5m；子区域划分为：把每100‑500个参考点组成一个小区域。