1.一种基于AP集相似度的Wi-Fi指纹定位方法，其特征在于：按如下步骤操作：步骤一：给出了4种计算AP集合相似度的相似系数，包括Jaccard、Sorenson、Ochiai以及Kulczynski，相似系数介于0 和1 之间，0表示两个集合完全不相同，1则表示完全相同，四种系数定义如下，其中︱A ︱、︱B ︱、 以及 分别为集合A、B、A与B的交集以及A与B的并集中元素个数；

、 、 、

步骤二：设计区域相似度训练指纹选择算法；

⑴、将训练指纹点划分为m 个群，每个群的大小为ni，i ∈1…m，ni常取4-8，每一个群覆盖Wi-Fi定位实验环境中的部分区域；

⑵、计算观测指纹与每个群的训练指纹AP集合的平均相似度AOS，计算公式如下： ①

其中，AOS 即average of similarity，j为每个群中对应指纹点标识，simj为观测指纹与群中第j 个指纹点的相似度；

⑶、选择1/T 高相似度群的训练指纹参与后续计算；其中，T 是一个经验阈值，T 值的选取依赖于当前环境；T值过大会过滤掉许多离观测指纹相近的训练指纹点，T 值过小则会引入部分低相似度指纹的干扰；

步骤三：集成AP集相似度与RSS的指纹距离计算方法；

1)利用AP集相似度以及RSS信息计算观测指纹与高相似度区域的训练指纹的距离，定义接收到的AP集合具有差异性的观测指纹与训练指纹间的距离为： ②

其中 为观测指纹与训练指纹的AP交集对应的RSSI距离，P 为AP交集的元素个数，s 为观测指纹与训练指纹的AP集合相似度，q=1和2时分别是曼哈顿（Manhattan）和欧几里德（Euclidian）距离；

得到观测指纹与训练指纹的距离后，采用KWNN方法计算移动目标位置，选取K（K≥ 2）个距离最小的训练指纹后，对每个训练指纹坐标乘以一个加权系数，最后求和即可获得目标位置，KWNN方法计算公式如下： ③步骤四：融合室内空间布局以及K-Mean的训练指纹区域划分方法；

⑴、根据室内环境布局以及AP的部署方式，将室内环境划分为几个子空间；

⑵、针对每个子空间中的指纹进行K-Mean聚类，结果代入公式①、 ②及③中计算测试点的坐标，通过对当前环境的指纹区域划分结果进行多次聚类，选择适合当前环境的指纹区域划分方式；

⑶、整合多个子空间的最优指纹划分方式作为全区域指纹划分。

2.根据权利要求1所述的一种AP集相似度的Wi-Fi指纹定位方法，其特征在于：步骤二中所述的区域相似度评估标准是群体相似度，或者叫做区域相似度，而不是个体相似度，从而提高数据选择的鲁棒性和准确性。

3.根据权利要求1所述的一种AP集相似度的Wi-Fi指纹定位方法，其特征在于：步骤四中所述的算法的伪代码描述如下：

。