CN106643736A - 一种室内定位方法及系统 - Google Patents

Abstract

本申请提供了一种室内定位方法及系统，该定位方法包括：获取待定位点的目标点特征值；计算所述目标点特征值到各个聚类中心的距离，以确定所述待定位点所在的聚类；其中，所述聚类中心为所述待定位点对应的定位区域经过预先优化划分得到的各个聚类的中心；将所述目标点特征值与所述待定位点所在的聚类中的指纹点特征值进行匹配，以确定所述待定位点的位置。该定位方法利用模拟退火聚类算法将定位区域划分为多个聚类，通过首先确定待定位点所在的子空间，即所在的聚类，使得在线匹配阶段计算量减小，提高了定位的速度。

Description

一种室内定位方法及系统

技术领域

本申请涉及定位技术领域，更具体地说，涉及一种室内定位方法和系统。

背景技术

随着大量室内基础设施的建设，目前国内有室内停车场、民用机场、医院等一系列的大型室内场所，这使得人们在室内安全，位置服务等方面的需求不断增加，室内定位技术成为各国研究学者的研究热点。

目前，指纹定位算法成为室内定位的主要定位技术，包括kNN(k-NearestNeighbor，K最近邻)邻近算法和K加权近邻法。指纹定位法先建立指纹数据库，然后对指纹数据库进行匹配。指纹库的建立是采集定位环境中各个参考点的特征值从而建立位置坐标与特征值的映射关系，匹配阶段就是将测得的目标特征值与数据库中参考点的特征值进行匹配，从而确定定位目标的坐标位置。

然而，目前的方法都是通过对整个指纹库的指纹采用网格搜索方法进行匹配定位，这种方法定位的效率低，此外，由于其计算量与指纹点数成指数增长，因此，在大型定位场所进行定位时，需要测量大量的指纹数据，因此会由于计算量过大而导致无法及时准确地进行定位问题的发生。

发明内容

有鉴于此，本申请提供了一种室内定位方法和系统，以克服现有技术中进行室内定位时定位效率低，以及在大型定位场所定位时由于计算量太大导致的无法及时准确进行定位的问题。

为实现上述目的，本申请提供了以下技术方案；

一种室内定位方法，包括：

获取待定位点的目标点特征值；

计算所述目标点特征值到各个聚类中心的距离，以确定所述待定位点所在的聚类；其中，所述聚类中心为所述待定位点对应的定位区域经过预先优化划分得到的各个聚类的中心；

将所述目标点特征值与所述待定位点所在的聚类中的指纹点特征值进行匹配，以确定所述待定位点的位置。

优选的，所述计算所述目标点特征值到各个聚类中心的距离，以确定所述待定位点所在的聚类包括：

计算所述目标点特征值到各个聚类中心的欧式距离，选取所述欧式距离中最小的值对应的聚类中心所在聚类为所述待定位点所在的聚类。

优选的，所述将所述目标点特征值与所述待定位点所在的聚类中的指纹点特征值进行匹配，以确定所述待定位点的位置包括：

根据KNN算法利用所述目标点特征值和所述指纹点特征值进行计算，获取所述待定位点所在的聚类中距离所述待定位点最近的多个指纹点；

通过聚类方法去除所述多个指纹点中的奇异点；

计算去除奇异点后的最近邻点的均值作为目标坐标点并输出。

优选的，所述定位区域预先优化划分得到各个聚类的方法包括：

选取所述定位区域作为指纹空间，所述定位区域内的N个点作为N个指纹点，获取所述N个指纹点的特征值；

将所述N个指纹点随机划分为M个聚类，并在各个所述聚类中随机选取指纹点作为所述聚类的聚类中心，其中，M和N为正整数，且N大于M；

根据划分结果，利用设置有终止条件的目标函数计算得到各个所述聚类中的指纹点到聚类中心的距离和；

对当前的指纹聚类进行扰动，并将现有指纹点所在的聚类随机分到其他聚类，重新选择聚类的聚类中心，并计算当前各个聚类中指纹点到聚类中心的距离和；

若当前的距离和小于前一次的距离和，则接受当前划分结果，否则利用Metropolis准则以概率判断是否接受新解，直至当前的距离和最小且满足所述目标函数的终止条件，以当前的划分结果作为最优划分结果。

优选的，所述利用目标函数计算得到各个所述聚类中的指纹点到聚类中心的距离和包括：

利用目标函数计算得到各个所述聚类中的指纹点到聚类中心的距离和；

其中，X为指纹点的特征值，ω为聚类划分后的聚类中指纹点的特征值集合，为第i个聚类的聚类中心的特征值，为聚类中指纹点到聚类中心的距离，J_ω为各个聚类中指纹点到聚类中心距离的总和。

一种室内定位系统，包括：

划分单元，用于将待定位点对应的定位区域优化划分得到多个聚类；

获取单元，用于获取所述待定位点的目标点特征值；

计算单元，用于计算所述目标点特征值到各个聚类中心的距离，以确定所述待定位点所在的聚类；其中，所述聚类中心为所述聚类的中心；

匹配单元，用于将所述目标点特征值与所述待定位点所在的聚类中的指纹点特征值进行匹配，以确定所述待定位点的位置。

优选的，所述计算单元包括：第一计算子单元和选取单元，其中，

所述第一计算子单元用于计算所述目标点特征值到各个聚类中心的欧式距离；

所述选取单元用于选取所述欧式距离中最小的值对应的聚类中心所在聚类为所述待定位点所在的聚类。

优选的，所述匹配单元包括：第二计算子单元、去除单元和第三计算子单元，其中，

所述第二计算子单元用于根据KNN算法利用所述目标点特征值和所述指纹点特征值进行计算，获取所述待定位点所在的聚类中距离所述待定位点最近的多个指纹点；

所述去除单元用于通过聚类方法去除所述多个指纹点中的奇异点；

所述第三计算子单元用于计算去除奇异点后的最近邻点的均值作为目标坐标点并输出。

优选的，所述划分单元包括：选取单元、划分子单元、第四计算子单元、重新分配单元和比较单元，其中，

所述选取单元用于选取所述定位区域作为指纹空间，所述定位区域内的N个点作为N个指纹点，获取所述N个指纹点的特征值；

所述划分子单元用于将所述N个指纹点随机划分为M个聚类，并在各个所述聚类中随机选取指纹点作为所述聚类的聚类中心，其中，M和N为正整数，且N大于M；

所述第四计算子单元用于根据划分结果，利用设置有终止条件的目标函数计算得到各个所述聚类中的指纹点到聚类中心的距离和；

所述重新分配单元用于对当前的指纹聚类进行扰动，并将现有指纹点所在的聚类随机分到其他聚类，重新选择聚类的聚类中心；

所述第四计算子单元还用于根据所述重新分配单元分配得到的划分结果，计算当前各个聚类中指纹点到聚类中心的距离和；

所述比较单元用于若当前的距离和小于前一次的距离和，则接受当前划分结果，否则利用Metropolis准则以概率判断是否接受新解，直至当前的距离和最小且满足所述目标函数的终止条件，以当前的划分结果作为最优划分结果。

优选的，所述第四计算子单元具体利用目标函数计算得到各个所述聚类中的指纹点到聚类中心的距离和；

其中，X为指纹点的特征值，ω为聚类划分后的聚类中指纹点的特征值集合，为第i个聚类的聚类中心的特征值，为聚类中指纹点到聚类中心的距离，J_ω为各个聚类中指纹点到聚类中心距离的总和。

由以上技术方案可知，本申请提供了一种室内定位方法及系统，该定位方法包括：获取待定位点的目标点特征值；计算所述目标点特征值到各个聚类中心的距离，以确定所述待定位点所在的聚类；其中，所述聚类中心为所述待定位点对应的定位区域经过预先优化划分得到的各个聚类的中心；将所述目标点特征值与所述待定位点所在的聚类中的指纹点特征值进行匹配，以确定所述待定位点的位置。该定位方法利用模拟退火聚类算法将定位区域划分为多个聚类，通过首先确定待定位点所在的子空间，即所在的聚类，使得在线匹配阶段计算量减小，提高了定位的速度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例一提供的一种室内定位方法的流程图；

图2为本申请实施例二提供的一种获取聚类的方法的流程图；

图3为本申请实施例三提供的一种室内定位系统的结构示意图；

图4为本申请实施例四提供的一种划分单元的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为克服现有技术中进行室内定位时定位效率低，以及在大型定位场所定位时由于计算量太大导致的无法及时准确进行定位的问题，本申请提供了一种室内定位方法和系统，具体方案如下所述：

实施例一

本申请实施例一提供了一种室内定位方法，如图1所示，图1为本申请实施例一提供的一种室内定位方法的流程图。该方法包括：

S101：获取待定位点的目标点特征值；

在本申请中，特征值具体可以为RSS(Received Signal Strength，接收信号强度)向量，首先在室内定位区域不知足以覆盖整个定位区域的多个AP(Access Point，接入点)，利用移动终端测量待定位点所接收的各个AP的RSS，以此作为待定位点的目标点特征值。

S102：计算目标点特征值到各个聚类中心的距离，以确定待定位点所在的聚类；

其中，聚类中心为待定位点对应的定位区域经过预先优化划分得到的各个聚类的中心；

具体的，在本申请中，通过计算目标点特征值到各个聚类中心的欧式距离，然后选取欧式距离中最小的值对应的聚类中心所在的聚类作为待定位点所在的聚类。

其中，欧式距离是计算空间距离的常用方法，在本申请中不再赘述。

S103：将目标点特征值与待定位点所在的聚类中的指纹点特征值进行匹配，以确定待定位点的位置。

具体的，在确定待定位点所在的聚类后，根据KNN算法利用目标点特征值和指纹点特征值进行计算，获取待定位点所在的聚类中距离待定位点最近的多个指纹点，通过聚类方法去除多个指纹点中的奇异点，计算去除奇异点后的最近邻点的均值作为目标坐标点并输出。

由以上技术方案可知，本申请实施例一提供的该室内定位方法，利用模拟退火聚类算法将定位区域划分为多个聚类，通过首先确定待定位点所在的子空间，即所在的聚类，使得在线匹配阶段计算量减小，提高了定位的速度。此外，通过去除奇异点，还可以克服现有技术中难以排除奇异点对定位结果的影响，能够快速而精确的进行定位。

实施例二

在实施例一的基础上，本申请实施例二提供了一种更具体的进行室内定位的方法。该方法包括如图1所示的步骤：

S101：获取待定位点的目标点特征值；

在本申请中，特征值具体可以为RSS(Received Signal Strength，接收信号强度)向量，首先在室内定位区域不知足以覆盖整个定位区域的多个AP(Access Point，接入点)，利用移动终端测量待定位点所接收的各个AP的RSS，以此作为待定位点的目标点特征值。

S102：计算目标点特征值到各个聚类中心的距离，以确定待定位点所在的聚类；

其中，聚类中心为待定位点对应的定位区域经过预先优化划分得到的各个聚类的中心；

具体的，在本申请中，通过计算目标点特征值到各个聚类中心的欧式距离，然后选取欧式距离中最小的值对应的聚类中心所在的聚类作为待定位点所在的聚类。

其中，欧式距离是计算空间距离的常用方法，在本申请中不再赘述。

需要说明的是，在本申请中，选取室内定位区域，将该室内定位区域布置足以覆盖定位区域的多个AP，然后对定位区域进行网格划分，利用移动终端测量网格中各个点所接收到各个AP的RSS，并记录下来建立指纹空间，然后对现有的指纹空间进行预处理，将指纹空间划分为最优的聚类数目，使得在大型室内环境中测得的较大数据量的指纹点划分为各个子空间，然后通过计算目标点特征值到各个聚类中心距离确定目标点所在子空间，然后进行匹配定位。

具体的，如图2所示，图2为本申请实施例二提供的一种获取聚类的方法的流程图，即定位区域预先优化划分得到各个聚类的方法包括：

S201：选取定位区域作为指纹空间，定位区域内的N个点作为N个指纹点，获取N个指纹点的特征值；

S202：将N个指纹点随机划分为M个聚类，并在各个聚类中随机选取指纹点作为聚类的聚类中心，其中，M和N为正整数，且N大于M；

将指纹空间中的N个指纹点随机划分为M个聚类，在各个聚类中随机选取某一个指纹点作为该聚类的聚类中心。

S203：根据划分结果，利用设置有终止条件的目标函数计算得到各个聚类中的指纹点到聚类中心的距离和；

将目标函数设置终止条件目标函数值，计算当前划分状态的目标函数。

其中，利用目标函数计算得到各个聚类中的指纹点到聚类中心的距离和包括：

利用目标函数计算得到各个聚类中的指纹点到聚类中心的距离和；

其中，X为指纹点的特征值，ω为聚类划分后的聚类中指纹点的特征值集合，为第i个聚类的聚类中心的特征值，为聚类中指纹点到聚类中心的距离，J_ω为各个聚类中指纹点到聚类中心距离的总和。

将得到的初始解，即当前划分状态下聚类中指纹点到聚类中心距离的总和作为当前最优解。

S204：对当前的指纹聚类进行扰动，并将现有指纹点所在的聚类随机分到其他聚类，重新选择聚类的聚类中心，并计算当前各个聚类中指纹点到聚类中心的距离和；

将聚类重新划分后，利用目标函数公式计算进行重新划分后的目标函数值，即聚类中指纹点到聚类中心距离的总和Jω。

S205：若当前的距离和小于前一次的距离和，则接受当前划分结果，否则利用Metropolis准则以概率判断是否接受新解，直至当前的距离和最小且满足目标函数终止条件，以当前的划分结果作为最优划分结果。

计算第i次目标函数值与第i-1值的差值ΔJ＝J_ωi-J_ωi-1，如果ΔJ≤0，即当前的距离和小于前一次的距离和，则接受新解。否则，利用Metropolis准则以概率判断是否要接受新解，具体的，通过产生随机数μ服从均匀分布U[0,1]，计算接受概率当μ≤p时接受当前状态，否则拒绝当前状态。

接受新解后，判断是否满足终止条件，如果满足终止条件则将当前解作为全局最优解输出，否则降低终止条件目标函数值，返回步骤S203继续进行计算。

对指纹空间处理完毕后，则得到了最优的聚类划分。

S103：将目标点特征值与聚类中的特征值进行匹配，以确定待定位点的位置。

具体的，在确定待定位点所在的聚类后，根据KNN算法利用目标点特征值和指纹点特征值进行计算，获取待定位点所在的聚类中距离待定位点最近的多个指纹点，通过聚类方法去除多个指纹点中的奇异点，计算去除奇异点后的最近邻点的均值作为目标坐标点并输出。

由以上技术方案可知，本申请实施例二提供的该室内定位方法基于模拟退火聚类的大型室内环境定位算法，利用模拟退火聚类算法将定位区域划分为多个聚类，经过对指纹定位法中的指纹空间的聚类处理，确定目标点所在子空间，使得在线匹配阶段计算量减小，提高了定位的速度，而且去除了KNN算法的奇异点，实现精确、快速的定位，保证室内基于位置服务的各种需求。

此外，通过以概率接受当前的聚类状态为最优状态，避免了算法陷入全局最值，使得指纹空间的相似的指纹点不能聚类到同一子空间中，或者将差异性较大的指纹聚类到同一子空间中，导致聚类的效果差使得算法定位精度低的问题的发生，

而且通过对聚类的目标函数最值进行比较确定了最优聚类数目，避免了K均值的方法中必须将初始设定明确的聚类数目，使得聚类的子空间并不是最优划分的问题的发生，进一步使指纹定位的结果更加精确。

实施例三

在实施例一的基础上，本申请实施例三提供了一种室内定位系统，如图3所示，图3为本申请实施例三提供的一种室内定位系统的结构示意图。该定位系统包括：划分单元301、获取单元302、计算单元303和匹配单元304，其中，

划分单元301，用于将待定位点对应的定位区域优化划分得到多个聚类；

在本申请中，划分单元先要将定位区域划分为多个聚类，并确定各个聚类的聚类中心。

获取单元302，用于获取待定位点的目标点特征值；

在本申请中，特征值具体可以为RSS(Received Signal Strength，接收信号强度)向量，首先在室内定位区域不知足以覆盖整个定位区域的多个AP(Access Point，接入点)，利用移动终端测量待定位点所接收的各个AP的RSS，以此作为待定位点的目标点特征值。

计算单元303，用于计算目标点特征值到各个聚类中心的距离，以确定待定位点所在的聚类；

其中，聚类中心为聚类的中心。

具体的，在本申请中，计算单元包括：第一计算子单元和选取单元，其中，通过利用第一计算子单元计算目标点特征值到各个聚类中心的欧式距离，然后利用选取单元选取欧式距离中最小的值对应的聚类中心所在聚类为待定位点所在的聚类。

其中，欧式距离是计算空间距离的常用方法，在本申请中不再赘述。

匹配单元304，用于将目标点特征值与待定位点所在的聚类中的指纹点特征值进行匹配，以确定待定位点的位置。

在本申请中，匹配单元包括：第二计算子单元、去除单元和第三计算子单元，

第二计算子单元用于根据KNN算法利用目标点特征值和指纹点特征值进行计算，获取待定位点所在的聚类中距离待定位点最近的多个指纹点；

去除单元用于通过聚类方法去除多个指纹点中的奇异点；

第三计算子单元用于计算去除奇异点后的最近邻点的均值作为目标坐标点并输出。

由以上技术方案可知，本申请实施例三提供的该室内定位系统，利用模拟退火聚类算法将定位区域划分为多个聚类，通过首先确定待定位点所在的子空间，即所在的聚类，使得在线匹配阶段计算量减小，提高了定位的速度。此外，通过去除奇异点，还可以克服现有技术中难以排除奇异点对定位结果的影响，能够快速而精确的进行定位。

实施例四

在实施例三的基础上，本申请实施例四提供了一种跟具体的室内定位系统，其包括图3所示的划分单元301、获取单元302、计算单元303和匹配单元304，其中，

划分单元301，用于将待定位点对应的定位区域优化划分得到多个聚类；

在本申请中，划分单元先要将定位区域划分为多个聚类，并确定各个聚类的聚类中心。

如图4所示，图4为本申请实施例四提供的一种划分单元的结构示意图。划分单元包括：选取单元401、划分子单元402、第四计算子单元403、重新分配单元404和比较单元405，其中，

选取单元401用于选取定位区域作为指纹空间，定位区域内的N个点作为N个指纹点，获取N个指纹点的特征值；

划分子单元402用于将N个指纹点随机划分为M个聚类，并在各个聚类中随机选取指纹点作为聚类的聚类中心，其中，M和N为正整数，且N大于M；

第四计算子单元403用于根据划分结果，利用设置有终止条件的目标函数计算得到各个聚类中的指纹点到聚类中心的距离和；

将目标函数设置终止条件目标函数值，计算当前划分状态的目标函数。

其中，利用目标函数计算得到各个聚类中的指纹点到聚类中心的距离和包括：

利用目标函数计算得到各个聚类中的指纹点到聚类中心的距离和；

其中，X为指纹点的特征值，ω为聚类划分后的聚类中指纹点的特征值集合，为第i个聚类的聚类中心的特征值，为聚类中指纹点到聚类中心的距离，J_ω为各个聚类中指纹点到聚类中心距离的总和。

将得到的初始解，即当前划分状态下聚类中指纹点到聚类中心距离的总和作为当前最优解。

重新分配单元404用于对当前的指纹聚类进行扰动，并将现有指纹点所在的聚类随机分到其他聚类，重新选择聚类的聚类中心；

第四计算子单元403还用于根据重新分配单元分配得到的划分结果，计算当前各个聚类中指纹点到聚类中心的距离和；

将聚类重新划分后，利用目标函数公式计算进行重新划分后的目标函数值，即聚类中指纹点到聚类中心距离的总和J_ω。

比较单元405用于若当前的距离和小于前一次的距离和，则接受当前划分结果，否则利用Metropolis准则以概率判断是否接受新解，直至当前的距离和最小且满足目标函数的终止条件，以当前的划分结果作为最优划分结果。

计算第i次目标函数值与第i-1值的差值ΔJ＝J_ωi-J_ωi-1，如果ΔJ≤0，即当前的距离和小于前一次的距离和，则接受新解。否则，利用Metropolis准则以概率判断是否要接受新解，具体的，通过产生随机数μ服从均匀分布U[0,1]，计算接受概率当μ≤p时接受当前状态，否则拒绝当前状态。

接受新解后，判断是否满足终止条件，如果满足终止条件则将当前解作为全局最优解输出，否则降低终止条件目标函数值，利用第四计算子单元继续进行计算。

对指纹空间处理完毕后，则得到了最优的聚类划分。

获取单元302，用于获取待定位点的目标点特征值；

在本申请中，特征值具体可以为RSS(Received Signal Strength，接收信号强度)向量，首先在室内定位区域不知足以覆盖整个定位区域的多个AP(Access Point，接入点)，利用移动终端测量待定位点所接收的各个AP的RSS，以此作为待定位点的目标点特征值。

计算单元303，用于计算目标点特征值到各个聚类中心的距离，以确定待定位点所在的聚类；

其中，聚类中心为聚类的中心。

具体的，在本申请中，计算单元包括：第一计算子单元和选取单元，其中，利用第一计算子单元计算目标点特征值到各个聚类中心的欧式距离，然后利用选取单元选取欧式距离中最小的值对应的聚类中心所在聚类为待定位点所在的聚类。

其中，欧式距离是计算空间距离的常用方法，在本申请中不再赘述。

匹配单元304，用于将目标点特征值与待定位点所在的聚类中的指纹点特征值进行匹配，以确定待定位点的位置。

在本申请中，匹配单元包括：第二计算子单元、去除单元和第三计算子单元，

第二计算子单元用于根据KNN算法利用目标点特征值和指纹点特征值进行计算，获取待定位点所在的聚类中距离待定位点最近的多个指纹点；

去除单元用于通过聚类方法去除多个指纹点中的奇异点；

第三计算子单元用于计算去除奇异点后的最近邻点的均值作为目标坐标点并输出。

由以上技术方案可知，本申请实施例四提供的该室内定位系统基于模拟退火聚类的大型室内环境定位算法，利用模拟退火聚类算法将定位区域划分为多个聚类，经过对指纹定位法中的指纹空间的聚类处理，确定目标点所在子空间，使得在线匹配阶段计算量减小，提高了定位的速度，而且去除了KNN算法的奇异点，实现精确、快速的定位，保证室内基于位置服务的各种需求。

此外，通过以概率接受当前的聚类状态为最优状态，避免了算法陷入全局最值，使得指纹空间的相似的指纹点不能聚类到同一子空间中，或者将差异性较大的指纹聚类到同一子空间中，导致聚类的效果差使得算法定位精度低的问题的发生，

而且通过对聚类的目标函数最值进行比较确定了最优聚类数目，避免了K均值的方法中必须将初始设定明确的聚类数目，使得聚类的子空间并不是最优划分的问题的发生，进一步使指纹定位的结果更加精确。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种室内定位方法，其特征在于，包括：

获取待定位点的目标点特征值；

计算所述目标点特征值到各个聚类中心的距离，以确定所述待定位点所在的聚类；其中，所述聚类中心为所述待定位点对应的定位区域经过预先优化划分得到的各个聚类的中心；

将所述目标点特征值与所述待定位点所在的聚类中的指纹点特征值进行匹配，以确定所述待定位点的位置。

2.根据权利要求1所述的定位方法，其特征在于，所述计算所述目标点特征值到各个聚类中心的距离，以确定所述待定位点所在的聚类包括：

计算所述目标点特征值到各个聚类中心的欧式距离，选取所述欧式距离中最小的值对应的聚类中心所在聚类为所述待定位点所在的聚类。

3.根据权利要求1所述的定位方法，其特征在于，所述将所述目标点特征值与所述待定位点所在的聚类中的指纹点特征值进行匹配，以确定所述待定位点的位置包括：

根据KNN算法利用所述目标点特征值和所述指纹点特征值进行计算，获取所述待定位点所在的聚类中距离所述待定位点最近的多个指纹点；

通过聚类方法去除所述多个指纹点中的奇异点；

计算去除奇异点后的最近邻点的均值作为目标坐标点并输出。

4.根据权利要求1所述的定位方法，其特征在于，所述定位区域预先优化划分得到各个聚类的方法包括：

选取所述定位区域作为指纹空间，所述定位区域内的N个点作为N个指纹点，获取所述N个指纹点的特征值；

将所述N个指纹点随机划分为M个聚类，并在各个所述聚类中随机选取指纹点作为所述聚类的聚类中心，其中，M和N为正整数，且N大于M；

根据划分结果，利用设置有终止条件的目标函数计算得到各个所述聚类中的指纹点到聚类中心的距离和；

对当前的指纹聚类进行扰动，并将现有指纹点所在的聚类随机分到其他聚类，重新选择聚类的聚类中心，并计算当前各个聚类中指纹点到聚类中心的距离和；

若当前的距离和小于前一次的距离和，则接受当前划分结果，否则利用Metropolis准则以概率判断是否接受新解，直至当前的距离和最小且满足所述目标函数的终止条件，以当前的划分结果作为最优划分结果。

5.根据权利要求4所述的定位方法，其特征在于，所述利用目标函数计算得到各个所述聚类中的指纹点到聚类中心的距离和包括：

利用目标函数计算得到各个所述聚类中的指纹点到聚类中心的距离和；

其中，X为指纹点的特征值，ω为聚类划分后的聚类中指纹点的特征值集合，为第i个聚类的聚类中心的特征值，为聚类中指纹点到聚类中心的距离，J_ω为各个聚类中指纹点到聚类中心距离的总和。

6.一种室内定位系统，其特征在于，包括：

划分单元，用于将待定位点对应的定位区域优化划分得到多个聚类；

获取单元，用于获取所述待定位点的目标点特征值；

计算单元，用于计算所述目标点特征值到各个聚类中心的距离，以确定所述待定位点所在的聚类；其中，所述聚类中心为所述聚类的中心；

匹配单元，用于将所述目标点特征值与所述待定位点所在的聚类中的指纹点特征值进行匹配，以确定所述待定位点的位置。

7.根据权利要求6所述的定位系统，其特征在于，所述计算单元包括：第一计算子单元和选取单元，其中，

所述第一计算子单元用于计算所述目标点特征值到各个聚类中心的欧式距离；

所述选取单元用于选取所述欧式距离中最小的值对应的聚类中心所在聚类为所述待定位点所在的聚类。

8.根据权利要求6所述的定位系统，其特征在于，所述匹配单元包括：第二计算子单元、去除单元和第三计算子单元，其中，

所述第二计算子单元用于根据KNN算法利用所述目标点特征值和所述指纹点特征值进行计算，获取所述待定位点所在的聚类中距离所述待定位点最近的多个指纹点；

所述去除单元用于通过聚类方法去除所述多个指纹点中的奇异点；

所述第三计算子单元用于计算去除奇异点后的最近邻点的均值作为目标坐标点并输出。

9.根据权利要求6所述的定位系统，其特征在于，所述划分单元包括：选取单元、划分子单元、第四计算子单元、重新分配单元和比较单元，其中，

所述选取单元用于选取所述定位区域作为指纹空间，所述定位区域内的N个点作为N个指纹点，获取所述N个指纹点的特征值；

所述划分子单元用于将所述N个指纹点随机划分为M个聚类，并在各个所述聚类中随机选取指纹点作为所述聚类的聚类中心，其中，M和N为正整数，且N大于M；

所述第四计算子单元用于根据划分结果，利用设置有终止条件的目标函数计算得到各个所述聚类中的指纹点到聚类中心的距离和；

所述重新分配单元用于对当前的指纹聚类进行扰动，并将现有指纹点所在的聚类随机分到其他聚类，重新选择聚类的聚类中心；

所述第四计算子单元还用于根据所述重新分配单元分配得到的划分结果，计算当前各个聚类中指纹点到聚类中心的距离和；

所述比较单元用于若当前的距离和小于前一次的距离和，则接受当前划分结果，否则利用Metropolis准则以概率判断是否接受新解，直至当前的距离和最小且满足所述目标函数的终止条件，以当前的划分结果作为最优划分结果。

10.根据权利要求9所述的定位系统，其特征在于，所述第四计算子单元具体利用目标函数计算得到各个所述聚类中的指纹点到聚类中心的距离和；

其中，X为指纹点的特征值，ω为聚类划分后的聚类中指纹点的特征值集合，为第i个聚类的聚类中心的特征值，为聚类中指纹点到聚类中心的距离，J_ω为各个聚类中指纹点到聚类中心距离的总和。