1.一种基于模拟退火优化BP神经网络的室内外无缝定位方法，其特征在于，包括以下步骤：步骤1、首先建立基于BP神经网络的室内外无缝定位算法模型；

步骤2、其次根据建立的基于BP神经网络的室内外无缝定位算法模型，结合模拟退火算法，建立基于模拟退火优化BP神经网络的室内外无缝定位算法模型；

步骤3、然后利用采集好的样本对使用模拟退火优化后的BP神经网络模型进行训练，确定最优的权值和阈值；

步骤4、最后将训练好的基于模拟退火优化BP神经网络用于室内外无缝定位；

所述步骤1建立基于BP神经网络的室内外无缝定位算法模型具体包括：A1首先把神经网络中各层节点的激活函数设置为ReLU函数：A2、用大写字母I、J、L分别表示输入层、隐含层和输出层，用上标in、out分别表示输入和输出，用下标i、j、l分别表示输入层、隐含层和输出层的第i、j、l个节点，则各层的输入输出分别为：其中， 表示隐含层的激活函数， 表示输出层的激活函数，Wij为输入层到隐含层的权向量，Wjl为隐含层到输出层的权向量；

A3将训练输出与期望输出的差值定义为网络的误差，则有 如果输出层有n个节点，则训练输出与期望输出的平方误差为：

其中， 为样本点的期望输出；

A4确定BP神经元各层节点个数；算法将室内外无缝定位中的PDR行人航迹推算定位结果坐标(xpi,ypi)和GPS定位结果坐标(xgi,ygi)作为神经网络的输入层，融合后的坐标作为神经网络的输出层，神经网络的输入层神经元个数为4，输出层神经元个数为2，隐含层的神经元个数根据经验公式(10)确定；

式中，m为隐含层神经元数量，n为输入层神经元数量，l为输出层神经元数量，a为1‑10之间的常数，因此，神经网络隐含层的神经元个数设置为8；

所述步骤2结合模拟退火算法，建立基于模拟退火优化BP神经网络的室内外无缝定位算法模型，具体包括：B1将算法初始化：设置初始温度T0，马尔科夫链的长度L，构建BP神经网络，随机设置神经网络的权值并得出初始解向量S0；

B2设置扰动函数：扰动函数用来在第k步，由前一个解向量Sk产生新解Sk+1，设置的扰动函数如下：f(k+1)＝f(k)+ηξ                (11)其中，η为扰动幅度，ξ为随机扰动变量；

B3计算增量：计算Sk+1的增量dE＝E(Sk+1)‑E(Sk)，其中E(Sk)为解向量Sk对应的平方误差；

B4设置Metropolis接收判断函数：根据如式(12)所示的Metropolis准则判断是否接受新解，如果增量dE＜0，则以概率1接收新解，否则首先在区间[0,1]产生一个均匀分布的随机数ε，如果ε＜P，则接收此解，否则拒绝接受，进入下一步；

B5：设置内循环终止判断条件；选用时齐模拟作为内循环的判断条件，即将每一温度下的马尔科夫链长度L遍历完时在进行降温操作；

B6：设置降温函数：选用如式(13)所示温度衰减函数进行降温操作：Tk+1＝αTk(k＝0,1,2,3...)                (13)其中，Tk为温度下降K次的温度，Tk+1为经过一次降温后的温度；α∈(0.5,0.99)中的任一常数；

B7：设置外循环终止判断条件，选用循环总数控制法作为外循环的判断条件，即设定温度下降的总次数，当循环次数达到总次数时，结束算法，否则跳回到B2。

2.根据权利要求1所述的一种基于模拟退火优化BP神经网络的室内外无缝定位方法，其特征在于，步骤3使用设计好的基于模拟退火优化BP神经网络的室内外无缝定位算法模型，根据采样规则，采集训练样本，对算法进行训练；

采用规则为：采样长度550m，采样间隔1.1m，样本总数500组，训练样本数400组，测试样本数100组。