1..一种自监督学习优化的无线室内定位方法，其特征在于，主要包括以下步骤：S1、离线阶段利用设备采集定位区域指纹点RSS数据，建立指纹数据库；

S2、在线阶段利用设备获取定位点RSS数据；

S3、从定位点RSS数据中选取特征与指纹数据库进行对比，获取一次定位结果；

S4、将选取的特征减一，组合出多组降维的定位点RSS数据，分别与指纹数据库进行对比，获取多个二次定位结果；

S5、将多个二次定位结果与一次定位结果进行对比，判别结果是否一致；

若结果一致，则输出一次定位结果；否则，将S4中多组降维的定位点RSS数据作为新选取的特征，重复执行S3～S5，直至二次定位结果与一次定位结果一致；

S5中，将S4中获取的N个二次定位结果与一次定位结果进行对比并判别两次定位结果是否一致的步骤为：S51、预设距离阈值，所述距离阈值为网格法中两个最相邻指纹点之间距离的 倍；

S52、将N个二次定位结果分别与一次定位结果作位置差；

S53、从N个位置差中选出最大值与设定的距离阈值进行大小比较；

S54、若满足下面公式，则说明降维前后数据的两次定位结果一致；

公式为：d≥max{d1,d2,...,dN}

其中，d是预先设定的距离阈值，di为第i个两次定位的位置差，且i的取值范围为[1，N]；

S5还包括以下步骤：

S55、若不满足上面公式，则说明降维前后数据的两次定位结果不一致，需要返回S3，并从N组降一维定位点RSS数据中选出一组为特征数据，重复执行S3～S5；

若是N组降一维定位点RSS数据均在重复S3～S5后其两次定位结果不一致，则S3继续从(N‑1)组降二维的定位点RSS数据中选出一组为特征数据，重复执行S3～S5；

经过多次降维和自监督学习优化后，S3从(N‑k+1)组降k维的定位点RSS数据中选出一组为特征数据，在重复执行S3～S5后其两次定位结果一致，则输出该组数据的一次定位结果；

还包括：

S6、若S2获取的所有数据经过多次降维和自监督学习优化最终也无法实现其两次定位结果一致，则返回S2重新获取一组新的定位点RSS数据并继续执行S3～S5。

2.根据权利要求1所述的自监督学习优化的无线室内定位方法，其特征在于，S1包括：S11、结合室内环境的布局在室内选取M个合适指纹点；

S12、利用设备在每个指纹点周围采集N个AP节点上接收的无线信号强度；

S13、将采集的所有指纹点和所有AP节点上接收的无线信号强度构建成定位区域离线阶段的一个指纹数据库；

其中，所述指纹数据库用D表示，其表达式为：

；

其中，M是合适指纹点的数量，N是无线信号AP节点的数量，{ri1  ,ri2  ,...,riN}为在第i个指纹点上采集N个RSS数据的集合，rij表示第i个指纹点在第j个AP节点上的RSS数据。

3.根据权利要求2所述的自监督学习优化的无线室内定位方法，其特征在于，S2中获取的定位点RSS数据有N个，表示为{s1,s2,…,sN}。

4.根据权利要求3所述的自监督学习优化的无线室内定位方法，其特征在于，S3中，将S2中获取的数据全部选取为特征数据，与指纹数据库进行对比并获取一次定位结果。

5.根据权利要求4所述的自监督学习优化的无线室内定位方法，其特征在于，S4中，将S3中选取的N个定位点RSS数据进行特征减一，组合出N组降一维的定位点RSS数据，分别表示为{s1,s2,...,sN‑1}  ,...,{s2,s3,...,sN}；其均与指纹数据库进行对比并获取N个二次定位结果，表示为P1,P2,...,PN。

6.根据权利要求1所述的自监督学习优化的无线室内定位方法，其特征在于，S1和S2中利用的设备为智能手机或平板，采集的无线信号为WiFi或蓝牙信号。

7.根据权利要求1所述的自监督学习优化的无线室内定位方法，其特征在于，S3和S4中一次定位结果和二次定位结果的获得方式均是利用wknn算法。