1.一种复杂室内信号环境下的自适应定位指纹库构建方法，其特征在于，包括三个阶段：离线阶段、在线定位阶段、在线指纹库更新阶段，具体步骤如下：步骤一、划分目标区域网格及构建离线指纹库

目标区域由K个划分区域Ωk，k∈{1,2,...,K}组成，将区域Ωk划分为Nk个网格，取每个网格的几何中心作为参考点 其中n∈{1,2,...,Nk}， 为2×Nk维位置矩阵表示RP位置；对于各RP位置 相应的区域标志为 其中 且 i≠k，表示参考点位于k分区；在 收集到的来自Mk个AP的RSS样本值为 其中表示在 处收集到的来自第m个AP的RSS样本值，m∈{1,2,...,Mk}；

步骤二、构建在线定位阶段的SVM分区模型

以一对多方式设置支持向量机概率分类模型，对于预先设置的各分区，以目标是否位于本分区进行二分类标识，通过训练数据构建各分区SVM模型；对于给定K个分区，设立K个SVM模型，取各分区内所有参考AP的测量信号组成当前观测数据r＝[r1,r2,...,rM]，其中M为目标所接收到区域内AP数量，对于未接收到的信号值取为-100db；针对当前观测数据，各分区SVM模型给出目标是否位于相应区域内的分布概率p(yk＝1|r)，其中yk为分区标识，表示目标位于分区Ωk内，k∈{1,2,...,K}；通过各分区SVM模型给出的分布概率p(yk＝1|r)，对目标所在分区做初步判断，并作为一级判断依据；

采用基于概率SVM的分区操作，将步骤一所获取参考点观测数据划分为训练集与测试集，对分区判断模型SVM进行训练；通过K个SVM模型获取目标位于相应分区的概率值，通过设置二级判断依据，以克服对于分区交接附近的测试点误判断问题；选取被判定区域内2个最大概率的分区区域，即p(yi＝1|r)与p(yj＝1|r)，i,j∈{1,2,...,K}，且p(yi＝1|r)＞p(yj＝1|r)，其差值表示为：Δyp＝p(yi＝1|r)-p(yj＝1|r)，      (1)当Δyp＞Δy时，说明i分区对测试点影响力远大于j分区，则将参考点判定于i分区，其中Δy为二级判断阈值；对于Δyp＜Δy，则将两区域均判定为目标区域，分别做相应的区域匹配运算，并将各自分区所得目标位置做概率平均，以求取最终位置估计步骤三、构建多元高斯混合模型MVGMM利用不同AP信号的相关性建立多元高斯混合模型MVGMM，通过不断增加高斯元素个数，利用不同参数的概率密度函数加权和近似模拟分区内RP位置与所获取各AP信号间的联合分布情况，弥补传统指纹库构建工作中对AP信号间耦合关系的忽略；多元高斯混合模型的概率分布函数表示为：其中，C表示组成元素的个数，pN(x|μc,Pc)表示均值为μc、协方差为Pc的高斯组成成分，权重wc的加和为1；

基于式(2)，利用分区Ωk内RP位置与RSS信号值联合分布的后验概率将多元高斯混合模型表示为：其中，yk＝1表示目标处于第k个分区，r表示在参考点x处接收到各AP信号的RSS值，为多元高斯混合模型的组成元素权重， 为元素均值， 为元素协方差，Ck为组成元素数量；

MVGMM模型采用EM算法估计模型参数；MVGMM模型选用Ck个均值为 协方差为 的多元高斯函数，拟合分区Ωk内Nk个参考点 与相应分区内所获取各AP信号RSS值 的联合概率分布；利用k-means算法将样本数据聚类为Ck个初始簇，取各簇平均值与协方差用于初始化EM算法参数且各簇初始权重设置相同；联合概率分布的对数似然形式表示为：其中，zk＝[xk；Rk]， 隐变量γc,n

表示第n个样本值属于第c个高斯组成元素的概率；

由此确定观测数据 属于第c个高斯组成元素的概率表示为：

通过式(5)计算多元高斯函数的权重 均值 和协方差 分别为：

对不同的Ck值重复聚类与EM估计过程离线指纹库表示为(wk；μk；Pk)，其中k∈{1,2,..,K}；步骤四、定位分域内目标通过离线指纹库对区域内目标位置进行估计；若当前时刻目标接受M个AP的RSS值为now通过分区判断模型获得目标在各分区的分布概率p(yk＝1|r )，k∈{1,2,...,K}；

利用当前测量值rnow选取对应分区Ωk内对目标定位有效的AP信号测量值根据多元高斯分布的条件概率准则，获得给定观测数据下目标位置的后验概率分布：

基于所得离线指纹库(wk；μk；Pk)，得：

联合分区概率与式(9)，获得目标在分区Ωk内各参考点的后验分布概率为：目标位于分区Ωk内各参考点的分布权重更新为：

其中，λ为归一化因子，则分区Ωk内各参考点为目标位置的分布权重为综上所述，目标的位置估计为步骤五、指纹库更新

当分区Ωk中所得信息熵小于分区阈值时，通过新采集Nk个数据 对分区模型进行参数更新；基于现有多元高斯混合模型，通过采集数据对模型参数进行自适应调整，以推导出与现有环境具有更加紧密耦合关系的MVGMM模型；与EM算法一致，MVGMM模型参数的自适应过程也是一个两步估计；首先，通过k-means算法将新增观测数据聚类为Ck组簇，并通过聚类所得数据权值 均值 协方差 初始化各高斯组成成分；利用式(5)-(8)分别计算新增观测数据的统计权重 均值 与协方差利用新增数据的统计参数对分区Ωk所对应的MVGMM模型参数进行自适应优化，即：其中， 用于平衡新旧数据对模型参数的影响程度，λ为归一化因子，rρ为参数的固有相关因子；

步骤六、更新模型参数

将自适应过程中更新得到的模型参数属于步骤二和步骤三中，进行实时更新。