1.一种高精度的室内定位追踪方法，其特征在于，包括如下步骤：步骤1，利用三边定位法，设计超宽带UWB定位系统，估计目标物的位置坐标步骤2，利用惯导IMU设备，设计惯导IMU定位方法，估计目标物的位置坐标步骤3，基于 和 利用深度置信网络DBN设计HUID联合定位系统；

步骤1包括：

步骤1.1：基于超宽带UWB设备，利用三边定位法完成对目标物的位置估计：设定第i个基站的坐标为 表示基站数目的集合，Nb为基站的总数目，未知位置的标签坐标为 表示测量点的集合，N为测量点的总数目；

设定标签在第n个测量点与第i个基站的估计欧式距离为 则估计的目标物的位置坐标 为：步骤1.2：利用随机森林分类器完成对非视距NLoS环境的分类识别：定义训练集 其中Φi,n和zi,n∈{‑1,1}分别表示目标物在第n个测量点接收到第i个基站的信号特征和标签，zi,n＝1表示视距LoS环境，zi,n＝‑1表示非视距NLoS环境；

将随机森林分类器中决策树的节点分裂前的基尼系数 定义为：其中，Pr(zi,n＝‑1)表示训练集中非视距NLoS出现的概率；基于特征ξ∈Φi,n，设定将训练集 分裂为 和 两个子集，两个子集分别含有L1和L2组数据，节点分裂后的基尼系数为：则基尼系数增益GIG表示为：根据基尼系数增益，得到每个节点的分裂准则，基于分裂准则构建决策树模型，进而构建随机森林，对视距LoS和非视距NLoS环境进行识别；

步骤1.3：利用随机森林回归器完成对超宽带UWB测距误差修正：定义回归训练集 εi,n表示目标物在第n个测量点与第i个基站的测距误差：

其中，di,n表示目标物在第n个测量点与第i个基站的真实距离；

基于特征ζ∈Φi,n，将 分裂为 和 两个子集，其节点分裂准则用均方误差代替：其中， c1和c2分别表示 的方差和的方差， 表示分裂后的子集 与第i个基站测距误差， 表示分裂后的子集与第i个基站测距误差；在每个节点分裂到不再分裂时，设定 分裂成了G个子集，则经过随机森林回归器的回归误差 为：其中， 表示第u个决策树中第g个子集， 含有S组数据，U表示决策树的数量；修正的超宽带UWB测距值 表示为：根据修正的测距值，公式(1)中估计的欧氏距离重新定义为 在视距LoS环境中，在非视距NLoS环境中， 超宽带UWB定位系统的目标物的位置坐标为：步骤2包括：

定义绕设备坐标系z轴、x轴、y轴的旋转角度为 θ、φ，则旋转矩阵 表示为：则参考坐标系 和设备坐标系 之间的转换关系为：引入四元数法求解，定义归一化的四元数q为：T

q＝[q0,q1,q2,q3]    (12)其中，q0,q1,q2,q3表示四元数中的四个归一化分量；则第n‑1点的四元数qn‑1更新为第n点的四元数qn的更新方程为：其中，Ωn‑1表示第n‑1点的更新矩阵：Δt表示采样间隔， 分别表示在设备坐标系下第n‑1个点的绕x轴、y轴、z轴的旋转角度；

旋转矩阵 重新定义为：

在第n点获得惯导IMU定位方法估计的目标物位置坐标 表达式为：其中，

和 分别定义为第n‑1个点的速度和加速度2

的值，g＝9.81m/s表示重力加速度；

步骤3包括：所述HUID联合定位系统估计的位置坐标 表示为：其中， 和 分别表示超宽带UWB的系数和惯导IMU的系数，并将αn和βn作为指纹信息用于深度置信网络DBN训练；

步骤3中，采用如下方法进行深度置信网络DBN训练：根据目标物的真实位置un和估计位置 得到：定义 和 分别为第k个受限玻尔兹曼机RBM的可见层神经元和隐藏层神经元，Mk和Nk分别表示可见层神经元的数量和隐藏层神经元的数量，下标k∈{1,2,3}，设定N1＞N2＞N3；定义 和 表示第k个(k) (k) k k k

受限玻尔兹曼机RBM的可见层v 的偏差和隐藏层h 的偏差，定义W()表示v()和h()之间的连接权值：(k) (k)

第k个受限玻尔兹曼机RBM的能量E(v ,h )表示为：(k) (k) (k) T (k) (k) T (k) (k) (k) T (k)E(v ,h )＝‑(a ) v ‑(h ) W v ‑(b ) h     (22)(k) (k)

联合概率分布Pr(v ,h )为：其中，中间参数

(k) (k)

得到v 的概率分布Pr(v )为：最小化第k个受限玻尔兹曼机RBM的对数损失函数(k) (k) (k)

以获得最优的参数W ，a 和b ，等价表示为：引入对比散度CD‑1算法求解：其中， 表示可见层的重构向量；

(k)

表示在给定v 时， 被激活的概率，其表达式为：(k)

其中，sigmoid(·)表示受限玻尔兹曼机RBM的激活函数， 表示W 中第i列元素；利用吉布斯采样法，给定阈值k

则得到隐藏层h()；

得到条件概率分布函数

利用吉布斯采样法得到重构向量 进而得到：(k

其中， 表示W )中第i行元素；

k k k

最后，参数W()，a()和b()的更新方程表示为：其中，γ表示学习速率；

k k k

基于在预训练阶段中更新的W()，b()和h()，得到条件概率分布函数为：

其中，k＝3,2,1， 表示重构的隐藏层，且 利用吉布斯采样，得到重构向量

基于重构数据和原始输入数据的均方误差，利用反馈神经网络更新权重和偏差，定义(k)参数 则第k层的均方误差J (Θ)为：(k‑1)

其中，Ξ 表示第k‑1层元素的数量，然后，利用梯度下降法更新参数Θ：其中，Υ表示学习速率。

2.根据权利要求1所述的方法，其特征在于，还包括步骤4：基于构建的深度置信网络DBN，利用径向基函数rn估计移动目标物的坐标：其中， 表示目标物在第n个点的受限玻尔兹曼机RBM第三层输出数据， 表示的方差，λ表示方差系数，估计的参数 和 为：最终，将上述估计的参数代入(19)中估计移动目标物的位置