1.基于转移概率热点映射的室内WLAN增广流形对齐定位方法，其特征在于，包括以下步骤：A、对定位目标区域进行划分以得到物理环境图，同时通过对用户运动行为的观测，得到所划分物理子区域间的转移分布；

B、在定位目标区域内采集RSS序列并利用相关性测序方法得到信号图，同时统计所有RSS序列在信号图中的转移分布；

C、利用所得转移分布得到概率转移矩阵，以建立信号图到物理环境图的热点映射关系；

D、对于新采集的RSS，根据热点映射关系判断其所属的物理子区域；

E、根据所属物理子区域的标记点指纹及定位目标区域中的位置坐标集，利用增广流形对齐方法进行定位。

2.根据权利要求1所述的基于转移概率热点映射的室内WLAN增广流形对齐定位方法，其特征在于，所述步骤A包括：步骤一、将定位目标区域划分为a个物理子区域，同时在定位目标区域中均匀标记位置坐标点，记位置坐标点集合为{(hp1,vp2)}(1≤p≤V)，其中，hp1为第p个位置坐标的横坐标，vp2为第p个位置坐标的纵坐标，V为位置坐标的数目；

步骤二、根据各物理子区域的邻接关系，将定位目标区域表示为各物理子区域连通的物理环境图；

步骤三、对定位目标区域中用户的运动行为进行观测，得到用户在各个物理子区域间的运动分布Tkl(1≤k,l≤a)，其中，Tkl表示用户从第k个物理子区域运动到第l个物理子区域的统计次数；

所述步骤B包括：

步骤四、在定位目标区域中采集j条RSS序列 其中，Li为第i条RSS序列的长度，即包含RSS样本的个数，RSSim＝(rssim1,rssim2,...,rssims)(1≤m≤Li)，s为AP个数，rssims"(1≤s"≤s)为第i条RSS序列内第m个RSS样本中来自第s"个AP的RSS值；

步骤五、在第n(1≤n≤a)个物理子区域An中均匀标记ln个标记点，标记点的位置坐标包含于位置坐标点集{(hp1,vp2)}(1≤p≤V)中，并在每个标记点处采集N个RSS样本，将N个RSS样本的均值作为该标记点的指纹，记每个区域内标记点的指纹集合为{RSSnq＝(rssnq1,rssnq2,...,rssnqs)}(1≤q≤ln)，其中，RSSnq表示第n个物理子区域中第q个标记点的指纹；

步骤六、建立相关性测序函数，对集合 中两两不同的RSS序列进行相关性测序，确定不同RSS序列间的相关位置对集合{Lrt}(1≤r≠t≤j)，其中，Lrt为第r条和第t条RSS序列间的相关位置对，Lrt＝{(Rru,Rrv,Rtx,Rty)}(1≤u,v≤Lr,1≤x,y≤Lt)表示第r条RSS序列中第u个和第v个RSS样本与第t条RSS序列中第x个和第y个RSS样本之间具有相关性，Lr和Lt分别为第r条和第t条RSS序列的长度；

步骤七、对于{Lrt}中相关位置对(Rru,Rrv,Rtx,Rty)所对应的RSS相关类{RSSru,RSSrv,RSStx,RSSty}，若存在相关位置对(Rr'u',Rr'v',Rt'x',Rt'y')(1≤r'≠t'≤j,1≤u',v'≤Lr',1≤x',y'≤Lt')所对应的RSS相关类{RSSr'u',RSSr'v',RSSt'x',RSSt'y'}中包含相同的RSS样本，即其中，Lr'和Lt'分别为第r'条和第t'条RSS序列的长度，则将RSS相关类{RSSru,RSSrv,RSStx,RSSty}和{RSSr'u',RSSr'v',RSSt'x',RSSt'y'}进行合并，直至所有RSS相关类间不存在非空交集，记Cw(1≤w≤z)表示最终得到的第w个RSS相关类，z为最终得到的RSS相关类的数目；

步骤八、在RSS序列 中，将每一段连续采集且不包含于任意RSS相关类的RSS样本{RSSic'}(1≤c'≤Li)构成一个RSS类，记 表示 中第e个RSS类，g为RSS类的数目；

步骤九、将 所对应的RSS 相关类和 RSS类统称为类在类集合 中，两个类存在连接关系当且仅

当某条RSS序列内存在两个连续的RSS样本分别包含于这两个类中；

步骤十、将类集合 中的每一个类作为节点，类之间的连接关系作为边，构建信号图；

步骤十一、统计类集合 中不同类之间的转移次数，其中，存在一次类 到类 的转移当且仅当某条RSS序列内两个连续的RSS样本先后分别包含于 和 中，记 为类到类 的转移次数；

所述步骤C包括：

步骤十二、根据所述步骤三所得Tkl与所述步骤十一所得 分别构建概率转移矩阵PA与PS，并按热度从大到小准则，分别得到物理环境图和信号图中各个节点的热度排序，同时，将信号图中的每个节点映射到物理环境图中热度排序相同的节点；

所述步骤D包括：

步骤十三、对于新采集的RSS样本(rss1,rss2,...,rsss)，计算其与类集合中所有类的类心的欧氏距离，其中，类 的类心定义为类 包含的 个RSS样本的均值，得到与其具有最小欧氏距离的类心，并将新采集的RSS样本归属到该类心所对应的类，同时，根据信号图到物理环境图的热点映射关系，确定目标所在的物理子区域；

所述步骤E包括：

步骤十四、根据所属物理子区域中的标记点指纹{RSSnq＝(rssnq1,rssnq2,...,rssnqs)}(1≤q≤ln)和定位目标区域的位置坐标集{(hp1,vp2)}(1≤p≤V)，利用增广流形对齐方法，估计目标位置。

3.根据权利要求2所述的基于转移概率热点映射的室内WLAN增广流形对齐定位方法，其特征在于，所述步骤十二包括：步骤12a、令用户在tz≥0时刻位于物理子区域An的概率为Ptz(An)，定义如下递推式：其中， Tηl为用户从第η个物理子区域运动到第l个物理子区域的统计次数，区域指示函数 表示如下：

步骤12b、构建概率转移关系：

Ptz+1＝PAPtz；

T T

其中，Ptz＝[Ptz(1),Ptz(2),...,Ptz(a)]， 且PA＝θ(M+ec /a)+(1-θ)eeT/a；

其中，0≤θ≤1， M为a×a的矩阵且对于M中第k行第l列的元素T

c＝[in1,in2,...,ina]且

tz T

步骤12c、由于Ptz＝PA P0，所以P＝limtz→∞Ptz＝[P(1),P(2),...,P(a)] ，于是得到各个物理子区域的热度P(n)，其中，当P(n)值越大，物理子区域An的热度也就越大；

步骤12d、同理，令用户采集信号样本(rss1,rss2,...,rsss)在tz时刻与 的类心的欧式距离最小的概率为 定义如下递推式：其中， 类指示函数 表示如下：

步骤12e、构建概率转移关系：

P'tz+1＝PsP'tz；

T

其 中，P' tz＝ [P' tz(1),P' tz(2),...,P' tz(z+g)] ，且Ps＝θ(M'+e'c'T/(z+g))+(1-θ)e'e'T/(z+g)；

其中， M'为(z+g)×(z+g)的矩阵且对于M'中第c3行第c4列的元素c'＝[in'1,in'2,...,in'(z+g)]T且tz

步骤12f、由于P'tz＝Ps P'0，所以P'＝limtz→∞P'tz＝[P'(1),P'(2),...,P'(z+g)]T，于是得到信号图中各个类的热度P'(c3)，其中，当P'(c3)值越大，类c3的热度也就越大；

步骤12g、分别将P和P'中的元素从大到小排序，记排序后的P和P'分别为PRank和T

P'Rank，其中，PRank＝[PRank(1),PRank(2),...,PRank(a)]，P'Rank＝[P'Rank(1),P'Rank(2),...,P'RTank(z+g)]，且分别满足PRank(1)≥PRank(2)≥...≥PRank(a)，P'Rank(1)≥P'Rank(2)≥...≥P'Rank(z+g)，将P'Rank(c3)映射到与其具有相同热度排序的PRank(n)，即类c3在信号图中的排序等于子区域n在物理环境图中的排序。

4.根据权利要求3所述的基于转移概率热点映射的室内WLAN增广流形对齐定位方法，其特征在于，所述步骤十四包括：步骤14a、将位置坐标集{(hp1,vp2)}(1≤p≤V)中元素的顺序进行调整，使得标记点指纹{RSSnq＝(rssnq1,rssnq2,...,rssnqs)}(1≤q≤ln)所对应的位置坐标依次为记调整后的位置坐标集为{(h'p1,v'p2)}(1≤p≤V)；

步骤14b、将用户新采集RSS样本(rss1,rss2,...,rsss)与{RSSnq＝(rssnq1,rssnq

2,...,rssnqs)}(1≤q≤ln)构成新的指纹集{RSS'nQ＝(rss'nQ1,rss'nQ2,...,rss'nQs)}(1≤Q≤ln+1)，其中，RSS'nQ＝RSSnQ(1≤Q≤ln)，步骤14c、对位置坐标集{(h'p1,v'p2)}(1≤p≤V)进行增广处理，使得集合元素的维度由2维增加至s维，得到增广位置坐标集，增广后的位置坐标集为步骤14d、构建增广位置坐标集所对应的V×V权重矩阵W，其中，W中元素且

步骤14e、构建指纹集{RSS'nQ}(1≤Q≤ln+1)所对应的(ln+1)×(ln+1)权重矩 阵 W'，其 中，W'中 元 素 且

步骤14f、计算关于W的对角矩阵D，其中，D中元素 且步骤14g、计算关于W'的对角矩阵D'，其中，D'中元素 且步骤14h、得到矩阵L＝D-W和L'＝D'-W'；

步骤14i、将矩阵L进行分块，具体形式为：其中，

且

步骤14j、将矩阵L'进行分块，具体形式为：其中，

且

步骤14k、构造新矩阵L”，其形式为：

其中，λ＝(ln+1)/(V+ln+1)，λ'＝V/(V+ln+1)， 及 分别为1×(V-ln)和(V-ln)×1的零矩阵；

步骤14l、计算L”的di个非零特征值λ”1,λ”2,...,λ”di>0，满足L”xU＝λ”UxU(1≤U≤di)，其中，xU为特征值λ”U对应的(V+1)×1的矢量；

步骤14m、构建降维后矩阵x'＝[x1,x2,...,xdi]，记x'Z(1≤Z≤V+1)为x'的第Z行；

步骤14n、计算x'V+1与 的欧氏距离

其中，x'Zdi'为x'中第Z行第di'列元素，令x'的前V行中与x'V+1欧式距离最小的mi个行矢量依次位于第m1,m2,...,mmi行，则将增广位置坐标集{(h'p1,v'p2)}(1≤p≤V)中元素 的均值作为用户的估计位置(est,est')，即