1.一种基于残差神经网络的RIS辅助室内指纹定位方法，其特征在于包括以下步骤：

步骤1：定义时隙t时用户在第n个子载波上接收到的信号为y(n,t)；然后将TU个时隙用户在N个子载波上接收到的信号组成的矩阵作为用户的接收信号矩阵YU，YU中包含有基站、RIS、用户、散射体的三维位置；其中，n=1,2,…,N，N表示子载波总数，t=1,2,…,TU，TU表示时隙总数，YU的维度为N×TU；

T

所述步骤1中， ，其中，( ) 表示转

置运算，hBR(n)表示基站‑RIS链路在第n个子载波的信道，diag( )表示构建对角矩阵，wt表示时隙t时RIS的相移向量，hRU(n)表示RIS‑用户链路在第n个子载波的信道，st(n)表示时隙t时基站在第n个子载波上传输的信号，zt(n)表示y(n,t)中的零均值加性高斯噪声；

所述基站‑RIS链路在第n个子载波的信道hBR(n)建模为

，所述RIS‑用户链路在第n个子载波的信道

hRU(n)建模为 ，其中，αBR表示基站‑

RIS链路中的视距路径的复增益，j为虚部表示， 表示基站‑RIS链路中的视距路径的到达时间差，△f表示OFDM信号的子载波频率间距，PB表示基站的三维位置，s=0,1,2,…,Ns，Ns表示RIS‑用户链路中的非视距路径数量，s=0时αRU,s表示RIS‑用户链路中的视距路径的复增益，s=1,2,…, Ns时αRU,s表示RIS‑用户链路中的第s条非视距路径的复增益，s=0时表示RIS‑用户链路中的视距路径的到达时间差，s=1,2,…,Ns时 表示RIS‑用户链路中的第s条非视距路径的到达时间差，s=0时Ps=P0，P0表示用户的三维位置，s=1,2,…,Ns时Ps表示RIS‑用户链路中的第s条非视距路径上的散射体的三维位置，e(PB)表示基站‑RIS链路中的视距路径中RIS的导向矢量，s=0时e(Ps)表示RIS‑用户链路中的视距路径中RIS的导向矢量，s=1,2,…,Ns时e(Ps)表示RIS‑用户链路中的第s条非视距路径中RIS的导向矢量；

步骤2：将YU作为原始指纹数据；然后对原始指纹数据的实部和虚部进行归一化处理，得到一个实值矩阵V，其中，V的维度为2×N×TU，第一维度表示通道数，第一通道为原始指纹数据的实部经归一化处理得到，第二通道为原始指纹数据的虚部经归一化处理得到；

所述步骤2中，第一通道V1,:,:为 ，第二通道V2,:,:  为

，其中，Re｛｝表示取实部，Im｛｝表示取虚部， 表示向量或矩阵的二范

数运算；

步骤3：在室内环境范围内，调整用户的三维位置，同时记录每次调整后用户的真实三维位置，并作为标签；然后按照步骤1和步骤2的过程，以相同的方式获取每次调整后对应得到的实值矩阵，并作为样本；再将多次调整后对应得到的样本和标签构成数据集；之后将数据集划分为训练集和验证集；

步骤4：使用训练集对残差神经网络进行离线训练，通过反向传播算法迭代优化网络参数；同时利用验证集监控训练过程，评估网络性能；在训练结束后保存验证集指标最优的网络权重，得到训练好的残差神经网络模型；

步骤5：在近场室内定位场景中进行在线测试，将实时获得的用户的接收信号矩阵按照步骤2的过程获取对应的实值矩阵，并作为测试样本；然后将测试样本输入到训练好的残差神经网络模型中，输出用户的预测三维位置。

2.根据权利要求1所述的一种基于残差神经网络的RIS辅助室内指纹定位方法，其特征在于所述步骤4的具体过程为：

步骤4.1：将训练集中的所有训练数据随机分成多个batch，使每个batch中包含有batch size组训练数据，其中，每组训练数据包含一个样本及对应的标签；

步骤4.2：取训练集的其中一个batch，将这个batch中的所有训练数据作为残差神经网络的输入，输入到残差神经网络中进行处理，得到这个batch中的每组训练数据对应的用户的预测三维位置；

步骤4.3：计算用户的预测三维位置和标签的均方误差损失；然后使用Adam优化器对残差神经网络的网络参数进行训练，完成这个batch对残差神经网络的训练，并通过反向传播算法迭代优化网络参数；

步骤4.4：重复步骤4.2至步骤4.3的过程，直至训练集的所有batch都对残差神经网络进行一次训练；

步骤4.5：将验证集中的所有验证数据随机分成多个batch，使每个batch中包含有batch size组验证数据，其中，每组验证数据包含一个样本及对应的标签；

步骤4.6：取验证集的其中一个batch；然后将这个batch中的所有验证数据输入到使用训练集训练后的残差神经网络中，得到这个batch中的每组验证数据对应的用户的预测三维位置；再计算用户的预测三维位置和标签的均方误差损失；

步骤4.7：重复步骤4.6的过程，直至验证集的所有batch都处理了一次，再计算验证集的平均均方误差损失；

步骤4.8：采用指数递减的学习率缩减策略，重复步骤4.1至步骤4.7的过程，共执行Num个epoch后结束，并保存验证集指标最优的网络权重，得到训练好的残差神经网络模型。

3.根据权利要求2所述的一种基于残差神经网络的RIS辅助室内指纹定位方法，其特征在于所述步骤4.8中，采用指数递减的学习率缩减策略时学习率的初始值设置为0.001，每M个epoch学习率缩减为原来的80%。

4.根据权利要求1所述的一种基于残差神经网络的RIS辅助室内指纹定位方法，其特征在于所述步骤4中，残差神经网络选用ResNet，其包括基本卷积模块、采用残差结构的深层卷积模块、回归模块，基本卷积模块由第一卷积层、第一批归一化层、第一PReLU激活函数依次连接组成，深层卷积模块由结构相同的第一残差模块、第二残差模块、第三残差模块依次连接组成，回归模块由Flatten层和全连接层依次连接组成；将样本依次通过第一卷积层、第一批归一化层和第一PReLU激活函数后，得到基础特征图；将基础特征图依次通过第一残差模块、第二残差模块和第三残差模块后，得到深层特征图；将深层特征图通过Flatten层后得到特征向量，将特征向量通过全连接层后得到样本对应的用户的预测三维位置。

5.根据权利要求4所述的一种基于残差神经网络的RIS辅助室内指纹定位方法，其特征在于所述第一残差模块、所述第二残差模块、所述第三残差模块均包括第二卷积层、第二批归一化层、第二PReLU激活函数、第三卷积层、第三批归一化层、第三PReLU激活函数、第四卷积层，将所在的残差模块接收的特征图通过第四卷积层后得到的特征图，与所在的残差模块接收的特征图依次通过第二卷积层、第二批归一化层、第二PReLU激活函数、第三卷积层、第三批归一化层后得到的特征图进行元素相加操作，将元素相加操作后得到的特征图通过第三PReLU激活函数后作为所在的残差模块输出的特征图。

6.根据权利要求5所述的一种基于残差神经网络的RIS辅助室内指纹定位方法，其特征在于所述第一卷积层的卷积核大小为3×3、步长为1、填充为1、输入通道数为2、输出通道数为64，所述第一残差模块中的第二卷积层和第三卷积层的卷积核大小为3×3、步长为1、填充为1、输入通道数为64、输出通道数为128，所述第二残差模块中的第二卷积层和第三卷积层的卷积核大小为3×3、步长为2、填充为1、输入通道数为128、输出通道数为256，所述第三残差模块中的第二卷积层和第三卷积层的卷积核大小为3×3、步长为4、填充为1、输入通道数为256、输出通道数为512，所述第一残差模块中的第四卷积层的卷积核大小为1×1、步长为1、填充为1、输入通道数为64、输出通道数为128，所述第二残差模块中的第四卷积层的卷积核大小为1×1、步长为1、填充为1、输入通道数为128、输出通道数为256，所述第三残差模块中的第四卷积层的卷积核大小为1×1、步长为1、填充为1、输入通道数为256、输出通道数为512；所述样本的大小为2×N×TU，所述基础特征图的大小为64×N×TU，所述深层特征图的大小为512×N/8×TU/8，所述特征向量的维度为(8×N×TU)×1。