1.一种用于室内定位WiFi指纹库设备异构性的消除技术，其特征在于，包括以下步骤：步骤1、对室内定位WiFi指纹与室内布置和天气状况之间的关系进行建模，综合计算WiFi信号强度固定值、由于阴影产生的对数损耗值、小尺度衰减效应影响值及环境温度影响值，得到WiFi指纹信息：步骤1.1、根据室内无线信号传播模型计算WiFi信号强度固定值及由于由于阴影产生的对数损耗值：上式中，P为信号源的信号强度，m为路径损耗指数，r为设备位置与信号源的距离，为由于阴影产生的对数损耗值，Ps为WiFi信号强度固定值；

步骤1.2、计算小尺度衰减效应影响：

上式中，P为信号源的信号强度，r为设备位置与信号源的距离，σ为由于瑞利衰落产生的指数损耗，Pm为小尺度衰减效应影响值；

步骤1.3、通过数据拟合公式对环境温度影响进行计算：Pt＝-P*(aT3+bT2+cT+d)      (3)上式中，P为信号源的信号强度，a，b，c，d分别为根据测量数据进行多项式拟合的经验参数，T为环境温度，Pt为环境温度影响值；

步骤1.4、综合阴影衰落、小尺度衰减效应和环境温度三项因素计算得到WiFi信号强度：Pa＝Ps+Pm+Pt       (4)

上式中，Pa为WiFi信号强度，Ps为WiFi信号强度固定值，Pm为小尺度衰减效应影响值，Pt为环境温度影响值；

步骤2、利用高斯核函数消除指纹测量值分散性：

步骤2.1、基于WiFi指纹库数据训练得到高斯核函数：上式中，x为WiFi信号强度测量值，y为x的数学期望，σ为由于瑞利衰落产生的指数损耗；

步骤2.2、根据高斯核函数对室内定位WiFi指纹信息进行概率判断：若某一WiFi指纹信息的概率小于阈值，则将WiFi指纹信息与预测值做平均处理；

步骤2.3、将真实值与预测值平均得到平滑值：通过高斯核函数得到预测值，取预测值与真实值的平均数作为平滑后的指纹；

步骤3、通过层次聚类算法消除指纹噪声：

步骤3.1、在室内定位WiFi指纹库中查找群智感知共享指纹所绑定位置参考点附近N个位置的分簇信息；

步骤3.2、建立离散Voronoi图，并分别计算群智感知共享指纹与这N个分簇的Voronoi图距离，建立距离向量作为聚类中心；

步骤3.3、计算新加入指纹与各分簇的Voronoi图距离，得到指纹向量；计算指纹向量与聚类中心的距离；若指纹向量与聚类中心的距离大于阈值，则将新加入的指纹视为噪声舍去；反之，则将新加入的指纹加入WiFi指纹库。

2.根据权利要求1所述用于室内定位WiFi指纹库设备异构性的消除技术，其特征在于：得到步骤1.1所述WiFi信号强度固定值后，对WiFi信号强度固定值进行标量叠加。