1.一种去蜂窝大规模mimo系统定位方法，其特征在于包括如下步骤：
步骤1：离线阶段：提取参考点处的指纹信息；
步骤2：离线阶段：构建指纹数据库；
步骤3：定义指纹间的相似度准则；
步骤4：在线阶段：提取用户指纹信息；分别提取用户的信号到达角指纹θue与接收信号强度指纹pue；
步骤5：在线阶段：指纹匹配与位置估计。
2.根据权利要求1所述的去蜂窝大规模mimo系统定位方法，其特征在于上述，具体过程如下：
假设去蜂窝大规模mimo定位网络包含n个随机分布的接入点ap，每个ap均配置具有m根天线的均匀线性阵列；定位目标区域被均匀地划分成k个网格点，所有ap通过上行信道估计获得每个参考点rp处的信道状态信息csi；考虑窄带多径信道模型，第n个ap与第k个rp之间的时域信道为：
其中l表示散射路径数，
其中dnk为第n个ap与第k个rp之间的水平距离，m表示距离单位米，δnk表示阴影噪声；
此外，
其中d为天线间隔，λ为载波波长，
3.根据权利要求2所述的去蜂窝大规模mimo系统定位方法，其特征在于上述步骤1所述的提取参考点处的指纹信息，具体过程如下：
第n个ap处接收到的来自第k个rp的上行信号为：
其中ρ表示上行发送功率，
根据上行接收信号，利用最小均方误差等信道估计方法获得上行估计信道，上行估计信道近似为公式(1)中给出的时域信道hnk；利用傅里叶变换，将时域信道hnk变换到角度域：
其中f表示傅里叶变换矩阵，[f]pq＝e-j2πpq/m为傅里叶变换矩阵中第(p,q)个元素，角度域信道响应矩阵可以表示为
为抑制小尺度衰落带来的信道波动，对角度域信道响应矩阵进一步处理，得到角度域信道功率矩阵：
其中e表示矩阵的哈达玛积，
根据上行接收信号，在第n个ap处计算获得来自第k个rp信号的信号强度：
由于噪声的影响甚微，所述公式(8)进一步表示为：
因此，与第k个rp相关的接收信号强度rss向量为pk＝[p1k,p2k,l,pnk]t，rss矩阵表示为p＝[p1,p2,l,pk]。
4.根据权利要求3所述的去蜂窝大规模mimo系统定位方法，其特征在于上述步骤2：离线阶段：构建指纹数据库，具体过程如下：
rp的指纹信息提取后，采用k均值聚类算法，对信号到达角指纹数据进行预处理，将其分成nk-m个不同的簇，第nk-m个簇中心的角度域信道功率矩阵为：
其中
5.根据权利要求4所述的去蜂窝大规模mimo系统定位方法，其特征在于上述步骤3：定义指纹间的相似度准则，具体过程如下：
结合信号到达角指纹数据，定义基于角度相似系数的相似度准则：
其中λn(θp,θq)表示对应于第n个ap的rpp和rpq间aoa指纹的角度相似系数，θp和θq分别表示与rpp和rpq相关的角度域信道功率矩阵，[θp]n和[θq]n分别表示矩阵θp和θq的第n列，
对于接收信号强度指纹,，用欧式距离来衡量指纹间的相似性；第p个和第q个rp间接收信号强度指纹的欧式距离为：
其中pp和pq分别表示与rpp和rpq相关的rss向量，pnp和pnq则分别表示rss向量pp和pq的第n个元素。
6.根据权利要求5所述的去蜂窝大规模mimo系统定位方法，其特征在于上述步骤5：在线阶段：指纹匹配与位置估计，具体过程如下：
步骤5.1：计算用户信号到达角指纹与nk-m个簇中心所对应的信号到达角指纹之间的相似系数
步骤5.2：计算用户信号到达角指纹与步骤5.1中所选出的簇中的每个rp所对应的信号到达角指纹之间的相似系数
步骤5.3：计算用户接收信号强度指纹与步骤5.2中所选出的每个rp对应的接收信号强度指纹之间的欧氏距离；
步骤5.4：利用加权k近邻算法，估计用户的位置；
其中(xi,yi)表示第i个rp的坐标，μi为相对于第i个rp的权重系数，且该系数满足
其中θi和pi分别表示与rpi相关的角度域信道功率矩阵和rss向量。