1.一种基于深度学习的智慧服装定位方法，其特征在于，包括如下步骤：步骤（1），通过连接在智慧服装上的超宽带定位芯片进行定位信号采集，使用去噪滤波预处理算法对上述采集的定位信号进行信号预处理，并将经过预处理后的定位信号构建为数据集，分为训练集和测试集；

步骤（2），利用训练集对构建的智慧服装定位模型进行训练，所述智慧服装定位模型包括特征提取网络和特征分类网络；

步骤（2.1），将预处理后的定位信号传入特征提取网络进行定位信息特征图的提取；

步骤（2.2），将上述最后一层定位信息特征图使用特征分类网络进行特征分类，输出高精度定位结果；

步骤（3），将测试集中预处理后的定位信号输入到训练好的智慧服装定位模型，输出定位结果。

2.如权利要求1所述的一种基于深度学习的智慧服装定位方法，其特征在于：步骤（1）中定位信号采集包括以下步骤：确定采集区域，并将采集区域等比例划分为n个小方格区域，左上角处小方格为区域1，右下角处方格为区域n，在采集区域的正上方部署超宽带定位基站A，左下角部署超宽带定位基站B，右下角部署超宽带定位基站C；

使用智慧服装上的超宽带定位标签芯片部署在区域1，采集超宽带定位标签与3个超宽带定位基站之间的距离 ，将“1”作为 的标签值；

在小方格区域1至n内重复上述步骤，采集不同区域内超宽带定位标签与3个超宽带定位基站之间的距离 。

3.如权利要求2所述的一种基于深度学习的智慧服装定位方法，其特征在于：步骤（1）中使用去噪滤波预处理算法对采集的定位信号进行信号预处理，并将经过预处理后的定位信号构建数据集；

所述去噪滤波预处理算法包括：输入长度为t的 作为序列x，通过计算

获得序列中第t位的序列值与第t‑1位的序列值的去噪值，将上述第t位序列值的去噪值与第t位序列值相乘，减少噪声值对序列的影响，其中去噪滤波预处理算法的计算公式如下：；

；

其中 为第t位序列值的去噪值， 为输入序列 中第t位的值， 为使用去噪滤波预处理算法后序列 中第t元素的值，其中t是设定的时间段长度。

4.如权利要求1所述的一种基于深度学习的智慧服装定位方法，其特征在于：步骤（2.1）中的特征提取网络包括三个卷积块，第一卷积块包括2个卷积层、1个池化层和1个RELU激活函数层，第二卷积块包括1个卷积层、1个池化层和1个RELU激活函数层，第三个卷积块包括2个卷积层；将所述经过去噪滤波预处理的 拼接为长度为t，高为

3的信息矩阵，将此信息矩阵作为第一个卷积块的输入；所述第二个、第三个卷积块的输出为上一层卷积块的输出与本层卷积输出的非线性变化叠加。

5.如权利要求1所述的一种基于深度学习的智慧服装定位方法，其特征在于：所述第一个卷积块包括一个卷积核大小为1*1、卷积核个数为16、步长为1、填充为1的卷积层，一个卷积核大小为3*3、卷积核个数为32、步长为1、填充为1的卷积层，一个卷积核大小为1*1、卷积核个数为32、步长为3、填充为1的池化层以及一个RELU激活函数层；所述第二个卷积块包括一个卷积核大小为3*3、卷积核个数为64、步长为2、填充为1的卷积层，一个卷积核大小为3*

3、卷积核个数为64、步长为3、填充为1的池化层以及一个RELU激活函数层；所述第三个卷积块包括一个卷积核大小为3*3、卷积核个数为64、步长为2、填充为1的卷积层，一个卷积核大小为1*1、卷积核个数为1、步长为1、填充为1的池化层，并输出定位信息特征图。

6.如权利要求1所述的一种基于深度学习的智慧服装定位方法，其特征在于：步骤（2.2）中的特征分类网络包括两个编码译码块；所述第一个编码译码块包括两个解码层，一个自注意力提取层以及一个译码层；所述第二个编码译码块包括两个解码层，一个自注意力提取层，一个全连接层和一个Softmax层；所述解码层将所述定位信息特征图从第一维开始进行展平操作得到序列z，按照位置通过计算赋予独立的编码序列Z；所述自注意力提取层按照编码序列计算全局的相关性；所述译码层将所述自注意力提取层提取得到的自注意力值按照位置拼接为自注意力矩阵；所述Softmax层将输出当前时刻的定位位置概率值，取所有位置中最大值作为当前时刻的定位位置结果。

7.如权利要求6所述的一种基于深度学习的智慧服装定位方法，其特征在于：所述编码序列、自注意力值计算公式的如下：；

；

；

；

；

其中 表示为输入序列 中的第元素的位置编码， 为输入序列 中的第元素， 为输入自注意力提取层的编码序列 的第元素， 分别为当前自注意力提取层的编码序列的注意力键得分和注意力值得分，、为网络中反向传播学习的参数，为可更改的控制网络学习率的参数， 表示输出的定位结果，即标签预测值。

8.如权利要求1所述的一种基于深度学习的智慧服装定位方法，其特征在于：训练智慧服装定位模型所使用的损失函数为：；

其中N为输入样本的个数，表示当前第j个样本的真实标签值，表示当前第j个样本的预测标签值。