1.一种基于无线通信基站的室内三维定位方法，包括，根据CHAN算法进行三维室内粗定位，得到TOA数据，预处理TOA数据，根据LS算法消除多路径误差，其特征在于，所述方法还包括：(1)建立基站投票加权估值模型，确定各基站定位时权重；

(2)将TOA模型进行拆分预处理，拆分建立真实时延模型，噪声时延模型及干扰时延模型；

噪声时延是在同一场景中由大量数据融合的平均误差时延值，噪声时延模型分布满足高斯模型；干扰时延模型是所有不可控因素造成的较大偏差时延值；

(3)建立机器学习度量微调模型，用于优化TOA数据，建立机器学习度量微调模型对噪声时延模型及干扰时延模型进行稀疏表达，剥离真实时延、噪声时延及干扰时延；

(4)建立精确多点三维定位模型，根据所述精确多点三维定位模型计算终端精确坐标，完成室内三维定位；

所述步骤(4)所述建立精确多点三维定位模型包括：Step1：利用全基站投票加权估值模型计算基站的权值；

Step2：利用噪声时延和干扰时延模型移出所测数据噪声时延和干扰时延；

Step3：利用机器学习算法模型对所测数据进行进一步的优化微调；

Step4：利用最终精确测量数据和TOA定位算法计算终端精确坐标。

2.根据权利要求1所述的室内三维定位方法，其特征在于：所述步骤(1)包括：(A)根据所述TOA数据，估计各个基站的定位区域；

(B)计算各个基站定位区域坐标，依据各基站定位区域交叉程度定义定位区域权值；

(C)保存所定位区域权值，进入步骤(2)。

3.根据权利要求1所述的室内三维定位方法，其特征在于：所述步骤(2)中建立真实时延模型包括：(a)建立概率密度函数：

(b)根据步骤(a)，得到支路附加时延的概率密度分布模型：所述支路信号附加时延τi(i＝1,2,…,n)为一组相互独立的指数分布随机变量；

(c)根据步骤(b)建立τmin的概率密度函数：(d)计算实际到达时间为表示τ0+τi中的最小值τ0+τmin；

其中，τms均方根延迟扩展，T为τms在d＝1km的中值,d为终端到基站的直线距离,ε是0.5到1的指数分量，ξ为均值为零、标准差σξ为4～6bB的对数正态分布随机变量，n为发送所述信号端对应的传播路径数量，τ0为视距波到达接收端的时间,τmax为时延最大的支路信号的到达时间，τmin＝min(τ1…τn)，τmsi为基站i的均方根延迟扩展。

4.根据权利要求1所述的室内三维定位方法，其特征在于：所述步骤(2)建立干扰时延模型包括：(A)在系统误差和错误信道环境中，建立一个基站时信号到达时间(B)求解任意两个基站i，j到达时间差为：

i,j＝1,2,…,m.；

(C)建立类正态分布函数：

(D)根据步骤(C)的类正态分布函数，利用最小二乘法拟合随机指数分布的信道环境误差(τimin,τjmin)，取 时，类正态分布密度曲线是指数分布密度曲线在最小二乘意义下的最优拟合，得到信道环境误差(τimin,τjmin)为0

(E)根据TDOA中系统误差μ和信道环境误差μij，计算出i基站与j基站信号到达时间差

0 2

为： 所述系统误差μ和信道环境误差μij具有相同的高斯分布μ～N(0，σ)，方差其中，m为基站数量， 为理想条件下信号到达两基站的时间差，为由基站i及基站j检测设备引起的系统误差，t0＝cd为视线信号传播时间，c是电波空气中的传播速度，d为终端到基站的直线距离，τ0为系统误差,(τimin,τjmin)为服从指数分布的信道环境误差。

5.根据权利要求1所述的室内三维定位方法，其特征在于：所述步骤(2)中建立噪声时延模型包括：根据噪声强度对基站所测区域进行划分，分析判断噪声强度为曾区域分布，根据噪声强度做出等高线图，得出在所测量区域由区域中心向边缘发散分布的噪声强度。

6.根据权利要求1所述的室内三维定位方法，其特征在于：所述步骤(3)中建立机器学习度量微调模型包括稀疏表达，用于将真实时延与噪声时延及干扰时延进行剥离，具体过程为：定义长度为N的任意离散信号 使用基于训练的学习方法，根据ψ及S求解

其中，X＝[x1,x2...,xn]是TOA数据集，S＝[s1,s2,...,sn]稀疏表达，ψ为一组基向量{ψi}，θ为信号在正交基下展开的系数。

7.根据权利要求1-6任一所述的室内三维定位方法，其特征在于：所述室内三维定位方法还包括：建立定位精度与参数关系的模型，用于量化分析定位精度与参数关系变化；

依据所述定位精度与参数关系模型建立精确三维定位优化模型；

将所述精确三维定位优化模型应用于所述精确多点三维定位模型，优化所述终端精确坐标；

优化过程包括求解完成最优三维定位精度的最小基站数量。