本发明公开了基于接收信号强度和参考点位置双聚类的室内定位方法，主要解决现有室内定位方法参考点聚类不准确，定位精度差的问题。其实现步骤为：(1)选择参考点，测量接收信号强度，存入数据库；(2)按照接收信号强度对所有参考点进行第一次聚类；(3)对第一次聚类得到的簇按照位置进行第二次聚类；(4)计算第二次聚类得到的簇之间的距离，合并距离小的簇为一簇；(5)测量待定位点的接收信号强度，粗定位匹配簇；(6)利用粗定位匹配的簇，通过压缩感知精确定位。本发明减小了定位误差，提高了定位精度，可用于Wi-Fi接收机的室内定位。

1.基于接收信号强度和参考点位置双聚类的室内定位方法，包括两个阶段：1)离线阶段：1a)选择一个布设有Wi-Fi接入点APs的区域；1b)在此区域内选择N个参考点RPs，并测量这N个参考点在四个方向上接收的来自周围接入点的接收信号强度RSS，存到数据库Χ(o)中；1c)按照接收信号强度RSS对所有参考点RPs，采用吸引子传播算法AP进行第一次聚类；1d)对第一次聚类得到的每个簇，再按照地理位置采用吸引子传播算法AP进行第二次聚类；1e)判断第二次聚类的簇数量：如果第二次聚类得到的簇数量是大于等于2的正整数，则求出这些簇的两两之间的距离，将距离小于4米的簇合并为一簇，将聚类结果记录到数据库中，否则，直接将聚类结果记录到数据库中，完成指纹数据库的构建；2)在线阶段：2a)在待定位点测得来自周围L个接入点APs的接收信号强度RSS向量：χr＝[χ1,r,...,χk,r,...,χL,r]T，其中{χk,r,k＝1,2,...,L}是移动设备在任意一个方向上采集的来自第k个接入点APs的数据；2b)粗定位：求出待定位点的接收信号强度RSS向量χr与指纹数据库中各个簇的聚类中心的接收信号强度RSS向量之间的相似度，相似度被定义为：其中为第j个簇的聚类中心在方向o上的接收信号强度RSS向量，H为所有簇的聚类中心的集合，Ο＝{0°,90°,180°,270°}；设置阈值： 其中α1+α2＝1；将相似度s(r,j)(o)大于阈值α的簇作为粗定位匹配的簇；2c)精确定位：随机选取8个接入点APs，利用这8个接入点APs和粗定位匹配得到的簇成员接收信号强度RSS，通过压缩感知算法求出待定位点的精确位置，完成待定位点的定位。

2.根据权利要求1所述的基于接收信号强度和参考点位置双聚类的室内定位方法，其特征在于，步骤1b)中的数据库Χ(o)表示为:其中是在第j个参考点RPs处于方向o上采集的来自第i个接入点APs的接收信号强度RSS的平均值，表示第τ次采集的接收信号强度RSS，q表示每个参考点上的总采集次数，i＝1,2,...,L，j＝1,2,...,N，o∈Ο＝{0°,90°,180°,270°}，L是能被检测到的接入点APs的总个数，N是参考点的总数。

3.根据权利要求1所述的基于接收信号强度和参考点位置双聚类的室内定位方法，其特征在于，步骤1c)中按照参考点RPs的接收信号强度RSS进行的第一次聚类，按如下步骤进行：1c1)利用所有参考点RPs的接收信号强度RSS向量计算参考度p(o)；1c2)利用参考度p(o)和参考点接收信号强度RSS向量迭代求出聚类中心，每个聚类中心代表一个簇；1c3)将所有参考点划分到相应的簇中，完成第一次吸引子传播算法AP聚类。

4.根据权利要求1所述的基于接收信号强度和参考点位置双聚类的室内定位方法，其特征在于，步骤1d)中对第一次聚类得到的簇按照参考点RPs的地理位置进行第二次聚类，按如下步骤进行：1d1)利用第一次聚类得到的每个簇的参考点RPs的接收信号强度RSS向量计算参考度pd(o)；1d2)利用参考度pd(o)和参考点接收信号强度RSS向量迭代求出聚类中心，每个聚类中心代表一个簇；1d3)将所有参考点划分到相应的簇中，完成第二次吸引子传播算法AP聚类。

5.根据权利要求1所述的基于接收信号强度和参考点位置双聚类的室内定位方法，其特征在于，步骤1e)中的两个簇之间的距离，为一个簇的所有成员与另一个簇的所有成员的欧氏距离的平均值。

6.根据权利要求3所述的基于接收信号强度和参考点位置双聚类的室内定位方法，其特征在于，步骤1c1)中利用所有参考点RPs的接收信号强度RSS向量计算参考度p(o)，其计算公式为：其中γ(o)是一个由实验确定的实数，s(i,j)(o)为第i个参考点和第j个参考点的接收信号强度RSS向量的相似度，N为参考点RPs的总数，o∈Ο＝{0°,90°,180°,270°}，median表示求中位数运算。

7.根据权利要求3所述的基于接收信号强度和参考点位置双聚类的室内定位方法，其特征在于，步骤1c2)中利用参考度p(o)和参考点接收信号强度RSS向量迭代求出聚类中心，按如下步骤进行：首先，令s(i,i)(o)＝p(o)，创建N行N列的吸引度矩阵r(o)和N行N列的归属度矩阵a(o)，其中i＝1,2,...,N，两个矩阵初始元素全部为零；接着，更新计算吸引度矩阵r(o)和归属度矩阵a(o)的元素值：其中，j＝1,2,...,N，i'＝1,2,...,N，j'＝1,2,...,N，r(i,j)(o)为吸引度矩阵r(o)的第i行第j列的元素，a(i,j)(o)为归属度矩阵a(o)的第i行第j列的元素，s(i,j)(o)为第i个参考点和第j个参考点的接收信号强度RSS向量的相似度；然后，定义N维向量c，计算向量c的第i个元素的值：c(i)＝a(i,i)(o)+r(i,i)(o)，判断c(i)的大小：如果c(i)>0，则第i个参考点为聚类中心，否则，第i个参考点不是聚类中心；最后，判断聚类结果是否收敛：如果收敛，则直接进入步骤1c3)，否则，更新计算吸引度矩阵r(o)和归属度矩阵a(o)的元素值，直至聚类结果收敛或达到预设的最大迭代次数，然后进入步骤1c3)。

8.根据权利要求4所述的基于接收信号强度和参考点位置双聚类的室内定位方法，其特征在于，步骤1d1)中利用第一次聚类得到的每个簇的参考点RPs的接收信号强度RSS向量计算参考度pd(o)，其计算公式为其中γd(o)是一个由实验确定的实数，d(i,j)(o)为第i个参考点和第j个参考点的地理位置欧式距离的相反数，M为需要聚类的参考点RPs的数量，o∈Ο＝{0°,90°,180°,270°}，median表示求中位数运算。

9.根据权利要求4所述的基于接收信号强度和参考点位置双聚类的室内定位方法，其特征在于，步骤1d2)中利用参考度pd(o)和参考点接收信号强度RSS向量迭代求出聚类中心，按如下步骤进行：首先，令s(i,i)d(o)＝pd(o)，创建M行M列的吸引度矩阵rd(o)和M行M列的归属度矩阵ad(o)，其中i＝1,2,...,M，两个矩阵初始元素全部为零；接着，更新计算吸引度矩阵rd(o)和归属度矩阵ad(o)的元素值：其中，j＝1,2,...,M，i'＝1,2,...,M，j'＝1,2,...,M，r(i,j)d(o)为吸引度矩阵rd(o)的第i行第j列的元素，a(i,j)d(o)为归属度矩阵ad(o)的第i行第j列的元素，s(i,j)d(o)为第i个参考点与第j个参考点的地理位置欧式距离的相反数；然后，定义M维向量cd，计算向量cd的第i个元素的值：cd(i)＝a(i,i)d(o)+r(i,i)d(o)，判断cd(i)的大小：如果cd(i)＞0，则第i个参考点为聚类中心，否则，第i个参考点不是聚类中心；最后，判断聚类结果是否收敛：如果收敛，则直接进入步骤1d3)，否则，将参考度pd(o)变为原来参考度的1.5倍，更新计算吸引度矩阵rd(o)和归属度矩阵ad(o)的元素值，直至聚类结果收敛，然后进入步骤1d3)。