1.一种基于人工神经网络的高精度室内可见光定位方法，其特征在于：包括训练模式和定位模式；其中，训练模式在定位之前完成，主要功能是根据测试点的信息通过训练获得定位模式所需的人工神经网络，即：利用测试点的位置坐标和接收信号强度建立人工神经网络并对其进行训练；定位模式的主要功能是利用已经训练好的人工神经网络对接收端进行定位，即在定位过程中发挥作用，利用训练模式输出的人工神经网络并结合接收端的接收信号强度，最终得到定位结果；
训练模式的具体步骤如下：
步骤一：在天花板上放置N个光源，N个光源都采用强度调制的方式进行驱动，同时通过光信号发送自己的空间坐标；与此同时，接收端根据室内环境，在接收平面选取R个测试点；
其中，光源具体为LED灯，采用开关键控(OOK)信号调制，发送自己独有的身份码(ID)信息以区分不同光源；
步骤二：利用可见光信道的模型仿真或者实地测量，求出或测量出接收端在选取的接收平面各个测试点处分别来自各个光源的光信号强度；
具体的，利用可见光传输模型求出或测量出在步骤一的R个测试点处所接收的分别来自各个光源的光信号强度，此强度包括直射信号和经墙面和家具为主反射体所反射的光信号；
步骤三：在接收平面建立以来自各个光源的光信号强度为输入，接收端坐标为输出的人工神经网络，并根据不同测试点的位置坐标和在步骤二中得到的来自各个光源的光信号强度对所建立的人工神经网络进行训练，得到训练完成的人工神经网络；
其中，接收端利用所有测试点所采集的数据对该人工神经网络进行训练，所采用的训练算法为Levenberg-marquardt算法，简称lm算法，matlab中的函数名称为：trainlm，训练目标是使各测试点处均方根误差的和最小；
至此，从步骤一到步骤三，完成了训练模式，在训练模式完成后，会得到一个训练好的人工神经网络，其将被用于之后的定位模式；
定位模式，具体步骤如下：
步骤四：将接收端接收到的来自N个光源的光信号强度输入步骤三输出的已经训练完成的人工神经网络；
步骤五：利用接收端接收到的来自N个光源的光信号强度和已经训练好的人工神经网络进行内部函数运算，并获取输出结果，其输出结果为一个坐标值；
步骤六：采集人工神经网络的输出结果，并将其作为接收端的位置坐标，即定位算法的最终定位结果；
至此，从步骤一到步骤六，完成了一种基于人工神经网络的高精度室内可见光定位方法。
2.如权利要求1所述的一种基于人工神经网络的高精度室内可见光定位方法，其特征还在于：
步骤一中，对于光源，N的数量为大于3个；N个光源在完成照明功能的同时作为可见光定位系统的信号源；在不少于3个的前提下，光源的密度则由室内照明需求决定，相邻光源的间距为1到3米；所述的接收端为位于光源下方的某个平面，其所处平面为接收平面，接收平面与光源的垂直距离，记为h。
3.如权利要求1所述的一种基于人工神经网络的高精度室内可见光定位方法，其特征还在于：
步骤一中所述的R的选择依据主要为系统定位精度要求，每个测试点与相邻测试点的间距为5到10厘米，R值密度范围为：100个/平方米到400个/平方米之间。
4.如权利要求1所述的一种基于人工神经网络的高精度室内可见光定位方法，其特征还在于：
步骤三中，所述的人工神经网络至少包含1层隐含层，每层隐含层包含至少15个内部节点。
5.如权利要求1所述的一种基于人工神经网络的高精度室内可见光定位方法，其特征还在于：
步骤四中，对于该人工神经网络而言，其输入为N个光源的光信号强度，输出为一个相对应的位置坐标。