1.一种基于BP神经网络的惯性导航室内定位方法，包括运动数据采集与预处理阶段、离线训练阶段和实时定位阶段，其特征在于，所述数据采集与预处理阶段采用多传感器信息融合采集定位人员的左右脚腕处运动数据，结合四元素与卡尔曼滤波算法处理所述运动数据，获取定位人员的左、右腿部姿态角变化量θ1和θ2、脚腕处加速度均值average、方差variance、左、右脚步伐持续时间time1和time2以及测量得到定位人员的身高stature作为7个神经网络输入数据，并降低惯性测量单元的测量噪声；

所述数据采集与处理阶段包括以下步骤：

S11，室内定位人员佩戴左脚腕可穿戴设备和右脚腕可穿戴设备，进行左右脚腕处的运动数据采集；

S12，记录定位人员行走的实际步伐长度及其身高；

S13，左、右脚腕处可穿戴设备内部嵌入式处理器对采集到的数据进行四元素法确立捷联矩阵，利用三轴角速度传感器得到的角速度信息，建立过程方程，根据三轴加速度传感器和磁力计信息建立测量方程，如式(1)所示，通过这种卡尔曼滤波器来滤除传感器存在的随机噪声，并且解算出定位人员行走时脚腕处的消除重力影响后的加速度信息和腿部姿态角信息以及定位人员的运动方向角信息，即定位人员行走航向角α；最后通过左脚腕可穿戴设备内部蓝牙与右脚腕可穿戴设备内部蓝牙通信，将左脚腕处运动数据发送至右脚腕穿戴设备嵌入式处理器中，然后右脚腕可穿戴设备内部嵌入式处理器对左、右脚腕处运动数据进行软件同步处理，让定位人员在行走时左右脚腕处运动数据达到在时间上的一一对应；软件同步算法具体过程是：若硬件保持同步，则20个采样点均为本次中断转换结果，若出现硬件不同步，则20个采样点中将会插入前一次中断的最后一个采样点；

其中卡尔曼滤波器过程方程和离散化的测量方程如下：

其中，Q为四元素矩阵，Φ为三轴角速度矩阵，T为上一时刻四元素矩阵与传感器采样周期的乘积，过程方程是根据四元素微分方程的矩阵形式离散化并去除高阶量得到，W为陀螺仪的噪音，将其近似为均值为零的独立高斯白噪声，并且协方差矩阵式为非负定常值对角阵；g为重力加速度； 为三轴加速度传感器的测量值；Mx、My、Mz为地磁场在地理坐标上的分量； 为三轴磁力计测量值；V是磁力计测量噪声；左、右脚腕穿戴设备将传感器原始数据采集之后根据四元素法和离散型卡尔曼滤波结合求解出姿态角；

所述离线训练阶段通过构建一个BP神经网络模型，采用所述7个神经网络输入数据和步长数据进行训练，获得步伐长度预测模型；

所述实时定位阶段根据两腿数据协同进行步伐识别，将识别到的步伐周期内的数据进行预处理并传输至上位机进行实时步长预测，然后根据预测的步长和预处理得到的方位角进行航位推断实现定位；

所述实时定位阶段包括如下步骤：

S31，进行运动数据采集，具体为室内定位人员佩戴左脚腕可穿戴设备和右脚腕可穿戴设备，进行左右脚腕处的运动数据采集，并需测量定位人员的身高；

S32，进行步伐识别，获得定位人员的运动数据后，将左脚腕可穿戴设备内采集到的数据传输至右脚腕可穿戴设备内，对两组数据进行同步处理，获得左、右脚腕处的角度；对左、右脚腕处的姿态角数据分析判断是否产生步伐，如果产生了步伐则进行下一步处理，否则继续检测；

S33，进行运动数据预处理，两可穿戴设备内部嵌入式处理器将采集到的运动数据分别处理，然后将两可穿戴设备的数据进行多传感器信息融合处理，利用卡尔曼滤波器降低传感器的测量噪声，获取准确的运动数据；最后将预处理完成的数据通过MESH自组网发送至电脑并保存；

S34，进行步伐长度预测，将7个神经网络输入数据输入到已训练好的BP神经网络模型中，进行步长预测，输出为当前步伐的步伐长度；

S35，进行实时定位，根据定位人员的运动方向角，以及所述S34得到的步伐长度进行实时定位，根据步行者航位推算系统PDR为定位人员进行室内定位，系统根据上一位移结束时刻的位置，利用航向角和步伐长度推算当前位移结束时刻的位置；

所述S32中通过对左、右脚腕处的姿态角数据分析判断是否产生步伐：记录下定位人员站立时腿部倾角初始值，判断左、右脚腕处角度数据波形是否符合运动规律；对左、右脚腕处的角度数据进行波峰波谷检测，再将波峰波谷对应的角度数值与阈值比较判断是否满足阈值条件；其中一个角度数据波形达到峰谷值时，将另一波形对应的数值与阈值进行比较，判断定位人员是否产生了步伐；如果左、右腿倾角数据波形符合倒立摆运动规律，且左腿数据波形对应的波峰、波谷值满足阈值要求，并且右腿倾角数据波形在左腿倾角数据波形的峰谷值时对应的数值也符合阈值要求，即判断产生了一步，如果产生了步伐则进行下一步处理，否则继续检测。

2.根据权利要求1所述的基于BP神经网络的惯性导航室内定位方法，其特征在于，所述离线训练阶段包括以下步骤：

S21，建立BP神经网络的步长估计模型，具体为设置BP神经网络的网络层数和每一层的神经元个数以及训练函数，构建一个7个神经网络输入数据和单个输出的BP神经网络模型，输出为步伐长度；

S22，进行BP神经网络模型训练，对于BP神经网络的步长估计模型进行训练，确定模型的训练参数，得到步长估计的BP神经网络模型，并保存。

3.根据权利要求1所述的基于BP神经网络的惯性导航室内定位方法，其特征在于，所述S11和S31中所选用的采集方法为通过两组脚腕可穿戴设备中的三轴加速度传感器和三轴角速度传感器以及三轴磁力计实时获取三个维度上的数据和时间序列。

4.根据权利要求1所述的基于BP神经网络的惯性导航室内定位方法，其特征在于，所述S33中可穿戴设备内部的嵌入式处理器将采集到的运动数据根据四元素法确立捷联矩阵，利用三轴角速度传感器得到的角速度信息建立运动过程方程，结合三轴磁力计信息建立测量方程；滤除测量信号的随机噪声，并获得准确的腿部姿态角数据以及定位人员运动方向角数据；根据捷联矩阵消除加速度在重力方向上的分量，得到准确的脚腕处的加速度数据；

计算步伐结束时的一个步伐时间段内脚腕处Z轴加速度均值和方差。