1.一种基于分布式AP选择策略的室内定位方法，其特征在于，包括以下步骤：

S01：在室内环境布置D个AP节点，保证室内环境中任意位置点被三个或三个以上的AP节点发出的信号覆盖，同时将目标区域划分为N个小区域，以小区域中心为信号强度采集点，共N个参考点，用于离线阶段采集样本数据；

S02：对目标区域建立二维直角坐标系，获得N个参考点的坐标位置，并在每个参考点上利用移动设备采集k次AP节点的信号强度，并对数据进行处理；

S03：将目标区域利用等面积的方法划分为m个子区域，将不同子区域的指纹信息进行分类，利用指纹信息库训练分区域模块，根据RSS指纹信息选择对应的子区域；

S04：计算每个AP节点与各个子区域的相关性，并将相关性系数排序，选择相关性系数大于Pτ的AP节点，作为该子区域的定位节点，其中，Pτ表示相关性系数的阈值；所述步骤S04具体包括以下步骤：S41：在该子区域中，扫描区域中k个位置点上第j个AP节点的信号，该AP节点在此子区域的相关性系数定义如下：式中：Pj表示第j个AP节点与该子区域的相关性，xi表示第i个位置点的X轴坐标，x表示该区域中k个位置点的X轴坐标的均值，yi表示第i个位置点的Y轴坐标，y表示该区域中k个位置点的Y轴坐标的均值，rssji表示第i个位置点接收到第j个AP节点的信号强度的均值，rssj表示k个位置点接收的第j个AP节点的信号强度均值，k表示该子区域中位置点的个数，D表示定位区域中AP节点的个数；

S42：在每个子区域中，D个AP节点的相关性系数向量表示为：

P(AP)＝[P1,P2,...,PD]         (5)

若Pj>Pτ表示第j个AP节点与该子区域相关，反之则不相关，Pτ表示相关性系数的阈值；

S05：在每个子区域中，利用选取的定位节点作为DBN模型的输入，对应的位置点作为DBN模型的输出，训练DBN模型，构建定位预测模型；

S06：在线预测阶段，获取移动设备接收的RSS指纹信息并作为分区域模块的输入向量，分区域模块的输出向量为该RSS指纹信息所属的子区域；

S07：利用步骤S06中获取的子区域对应的AP节点的信号强度作为DBN模型的输入向量，利用已训练的DBN模型获取目标的位置。

2.根据权利要求1所述的基于分布式AP选择策略的室内定位方法，其特征在于，所述步骤S02具体包括如下步骤：S21：在每个参考点接收每一个AP节点的信号强度RSS值，构成D维信号向量RSSD；每个参考点采集k次信号强度值，构成了k*D的信号强度矩阵，其矩阵的第i行第j列表示第i次采集中接收第j个AP节点的信号强度RSS值；i为小于或等于k的正整数；j为小于或等于D的正整数；

D

RSS＝(rss1,rss2,rss3,…,rssj,…,rssD)     (1)式中：rssj∈[-100,0]表示参考点处接收到第j个AP节点的信号强度；

S22：构建指纹数据库,训练数据集中包含N条记录，每条记录表示为向量r，向量中包含可用AP节点的信号强度和采样点的位置：r＝(RSSi,Li)＝(rss1,rss2,rss3,…,rssD,Li)      (2)式中：RSSi表示第i次采集中接收的RSS集合，D表示AP节点的个数，Li表示对应于RSSD向量的位置标签。

3.根据权利要求1所述的基于分布式AP选择策略的室内定位方法，其特征在于，所述步骤S03具体包括以下步骤：S31：将定位区域S划分为m个子区域，子区域定义如下所示：

式中：c表示第c个子区域，k表示该子区域中位置点的个数，Rc表示第c个子区域中参考位置点集合； 表示第c个子区域中第k个位置点的信息；

S32：将指纹数据库中信号强度根据不同的子区域进行分类，建立子区域与信号强度的记录信息表；

S33：构建分区域模块，确定BP神经网络模型并根据子区域标识与信号强度的记录信息训练建立的BP神经网络，以信号强度RSSI作为输入，对应的子区域标识area作为输出训练BP神经网络，并在训练中修改BP神经网络的参数使其反映RSSI-area的关系；

S34：用实际接收的信号强度值RSSI与对应的子区域标识area去反复训练并验证所建立的BP神经网络，将训练完的BP神经网络封装成一个固定的函数，该函数输入为接收信号强度RSSI，输出即为对应的子区域标识。

4.根据权利要求3所述的基于分布式AP选择策略的室内定位方法，其特征在于，所述BP神经网络为五层神经网络，隐含层的层数为2层，输入层的节点数目为D，输出层的节点数目为1，隐含层的节点数目分别为6，4，即采用D：6：4：1的BP神经网络结构，训练函数为traincgf算法，训练次数和目标误差分别设置为100和0.00004。

5.根据权利要求1所述的基于分布式AP选择策略的室内定位方法，其特征在于，所述步骤S05具体包括以下步骤：S51：在指纹数据库中获取该子区域中所有位置点信息以及对应的AP节点的信号强度，作为该子区域的训练数据集；

S52：确定DBN模型并用该子区域的训练数据集去训练并建立DBN模型，以接收的对应AP节点的信号强度RSSI作为输入，对应的位置点Location作为输出去训练所建立的DBN模型，并在训练中修改DBN模型的参数，使最终的定位模型能正确反映RSSI-Location的关系；

S53：用实际接收的对应AP节点的信号强度值RSSI与对应的位置点Location去反复训练并验证所建立的DBN模型；通过可见层和隐含层之间的能量函数来调整神经元之间的权值，最后通过反向传播算法来微调网络间的权值。

6.根据权利要求5所述的基于分布式AP选择策略的室内定位方法，其特征在于，所述DBN模型为5层网络，其中隐含层的层数为3层，输入层的节点数目为选取的AP节点的个数，输出层的节点数据为2，隐含层的节点数目分别为10，6，4。

7.根据权利要求6所述的基于分布式AP选择策略的室内定位方法，其特征在于，DBN模型包括RBM1和RBM2，RBM1模块和RBM2模块都包括可见层和隐含层，当AP节点的信号强度集合输入到RBM1的可见层，隐含层将通过连接的权值提取输入数据的特征，并通过可见层和隐含层之间的能量函数来调整神经元之间的权值；RBM1隐含层的输出将作为RBM2可见层的输入，RBM2隐含层进一步提取分类数据的深层次特征，将训练完的DBN模型封装成一个固定的函数，该函数输入是接收信号强度RSSI，输出即为目标的位置点。