1.一种基于改进隐马尔科夫模型的楼层识别方法，其特征在于，包括如下步骤：步骤1，建立用于初始化改进隐马尔科夫模型的信号指纹数据库，所述信号指纹数据库包括楼层号、楼层号对应楼层的参考点坐标、楼层号对应楼层无线接入点的Mac地址、Mac地址对应的信号强度值；

步骤2，建立用于初始化改进隐马尔科夫模型的人员流动数据库，所述人员流动数据库包括采集时间段内各楼层的人流信息，设置时间间隔为5分钟，将采集时间段划分为T个时间间隔，人流信息为人员进入建筑后时间间隔内停留的楼层，当前楼层的人群向其它楼层移动的数量统计或保持不变的数量统计；

步骤3，采用高斯混合聚类方法对每个楼层的信号指纹数据库进行聚类，得到信号指纹数据库聚类结果；

步骤4，利用人员流动数据库初始化改进隐马尔科夫模型的初始状态概率π和状态转移矩阵A，利用信号指纹数据库聚类结果初始化输出状态概率B，构建用于楼层识别的改进隐马尔科夫模型；

步骤5，将一个测试人员T个时间间隔内的接收信号及所在楼层作为训练子集，所有测试人员的训练子集构成训练集合；

步骤6，利用训练集合调整改进隐马尔科夫模型的参数；

步骤7，利用实时采集的无线信号以及调整后的改进隐马尔科夫模型预测待定位用户所在楼层。

2.根据权利要求1所述基于改进隐马尔科夫模型的楼层识别方法，其特征在于，所述步骤1的具体过程为：

1.1，对每个楼层的无线接入点按照Mac地址从1开始依次编号，并定义集合Qi＝{num1,num2,…,numqi,i}，i＝1,…,N，N为总楼层数，Qi表示第i个楼层无线接入点的编号集合，qi为第i个楼层无线接入点的数目；

1.2，在每个楼层设置若干参考点，在每个参考点处采集k次无线接入点的RSSI值，得到k*qi阶矩阵，其中矩阵的第p行第q列元素表示参考点第p次接收到的来自编号为numq的无线接入点的RSSI值，k、qi、p、q均为正整数，且1≤p≤k，1≤q≤qi；

1.3，对于每个参考点处得到的k*qi阶矩阵，将每个列向量的所有元素相加后取平均值，得到该参考点的指纹信息，该指纹信息为一个qi维行向量将该参考点的二维位置坐标及指纹信息存入该参考点所在楼层的信号指纹数据库中，当参考点检测不到无线接入点时，用默认值-110dBm作为RSSI值。

3.根据权利要求1所述基于改进隐马尔科夫模型的楼层识别方法，其特征在于，步骤3所述高斯混合聚类方法中的高斯混合模型构造过程如下：

3.1，定义X＝{x1,x2,…,xqi}，X表示第i个楼层的指纹信息，xq表示第i个楼层第q个参考点的指纹信息，1≤q≤qi，qi为第i个楼层无线接入点的数目，初始化各楼层的高斯混合模型的参数αi、μi、∑i，1≤i≤N，N为总楼层数，αi为第i个楼层的混合系数，μi为第i个楼层的均值向量，∑i为第i个楼层的协方差矩阵；

3.2，计算当前参考点的接收信号x由第i个楼层的混合成分生成的后验概率p(z＝i|x)：其中，z表示生成接收信号x的高斯混合成分，p(z＝i)为当前楼层为i的先验概率，p(x|μi,Σi)为接收信号x由本次循环中第i个楼层的高斯混合模型生成的概率，p(z＝l)为当前楼层为l的先验概率，p(x|μl,Σl)为接收信号x由本次循环中第l个楼层的高斯混合模型生成的概率；

3.3，更新各楼层的高斯混合模型的参数，更新后的参数为

其中，p(zm＝i|xm)为第m个参考点接收信号xm由第i个楼层生成的后验概率，M为当前楼层参考点的数目；

3.4，判断是否满足迭代终止条件，满足则输出各楼层的高斯混合模型，不满足则返回

3.2，其中，迭代终止条件为更新后的参数与更新前的参数之间的欧氏距离小于预设阈值，或迭代次数达到最大迭代次数。

4.根据权利要求1所述基于改进隐马尔科夫模型的楼层识别方法，其特征在于，所述步骤4的具体过程如下：

4.1，统计第一个时间间隔内到达第i个楼层的人数ci，并计算ci占第一个时间间隔内到达所有楼层的总人数的比例 将该比例作为该楼层的初始状态概率，则π＝{π1,π2,…,πN}，N为总楼层数；

4.2，统计接下来T-1个时间间隔内，第i个楼层向第j个楼层转移的人数pij，计算pij占第i个楼层向所有楼层转移的总人数的比例 将该比例作为楼层的状态转移概率，建立状态转移矩阵A＝[aij]N×N；

4.3，用高斯混合聚类方法对信号指纹数据库进行聚类，得到每个楼层的高斯混合模型，对于待定位用户的接收信号y，将y输入高斯混合模型，得到第i个楼层输出接收信号y的概率为bi(y)，将该概率作为输出状态概率B＝{bi(y),1≤i≤N}。

5.根据权利要求1所述基于改进隐马尔科夫模型的楼层识别方法，其特征在于，步骤6所述利用训练集合调整改进隐马尔科夫模型的参数的算法为鲍姆-韦尔奇算法。