面向智能家居的人体定位系统研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第14-19页 |
| 1.1 课题背景与意义 | 第14-15页 |
| 1.2 研究现状分析 | 第15-17页 |
| 1.2.1 室内定位系统开发应用现状 | 第15-16页 |
| 1.2.2 智能家居应用现状 | 第16-17页 |
| 1.3 研究内容与论文结构 | 第17-19页 |
| 2 室内定位相关技术概述 | 第19-34页 |
| 2.1 室内定位方法 | 第19-23页 |
| 2.1.1 接近检测法 | 第19-20页 |
| 2.1.2 场景分析法 | 第20页 |
| 2.1.3 几何剖分法 | 第20-23页 |
| 2.2 室内定位技术分类及原理分析 | 第23-27页 |
| 2.2.1 基于GPS的室内定位 | 第23-24页 |
| 2.2.2 基于无线技术的室内定位 | 第24-26页 |
| 2.2.3 其他定位技术 | 第26-27页 |
| 2.3 滤波技术介绍 | 第27-33页 |
| 2.3.1 贝叶斯滤波 | 第27-28页 |
| 2.3.2 卡尔曼滤波 | 第28-30页 |
| 2.3.3 粒子滤波 | 第30-33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 基于IMU和红外传感器网络的人体定位算法 | 第34-53页 |
| 3.1 方案选择和算法框架 | 第34-36页 |
| 3.2 PDR算法实现 | 第36-40页 |
| 3.2.1 IMU放置位置选择 | 第36页 |
| 3.2.2 自适应双阈值步态检测 | 第36-38页 |
| 3.2.3 步长估计 | 第38-39页 |
| 3.2.4 航向估计 | 第39-40页 |
| 3.3 红外传感器网络数据处理 | 第40-42页 |
| 3.4 室内地图信息 | 第42-44页 |
| 3.5 行为识别信息 | 第44-46页 |
| 3.5.1 基于特征的行为识别 | 第44页 |
| 3.5.2 行为状态地图 | 第44-46页 |
| 3.6 融合粒子滤波算法 | 第46-47页 |
| 3.7 实验与分析 | 第47-52页 |
| 3.7.1 实验条件介绍 | 第47-50页 |
| 3.7.2 室内定位实验 | 第50-52页 |
| 3.8 本章小结 | 第52-53页 |
| 4 定位系统后台终端软件设计与实现 | 第53-67页 |
| 4.1 定位系统软件总体设计 | 第53-54页 |
| 4.1.1 系统架构 | 第53-54页 |
| 4.1.2 系统功能 | 第54页 |
| 4.2 室内定位程序 | 第54-56页 |
| 4.2.1 程序结构 | 第54-55页 |
| 4.2.2 通讯模块 | 第55-56页 |
| 4.3 服务器后台软件设计 | 第56-60页 |
| 4.3.1 软件架构 | 第56页 |
| 4.3.2 开发环境 | 第56-57页 |
| 4.3.3 通信管理模块 | 第57-58页 |
| 4.3.4 数据管理模块 | 第58-60页 |
| 4.4 移动终端软件设计 | 第60-66页 |
| 4.4.1 Android介绍 | 第61-62页 |
| 4.4.2 开发环境 | 第62页 |
| 4.4.3 用户登陆处理模块 | 第62-63页 |
| 4.4.4 定位显示模块 | 第63-65页 |
| 4.4.5 家居控制模块 | 第65-66页 |
| 4.5 本章小结 | 第66-67页 |
| 5 总结与展望 | 第67-69页 |
| 5.1 本文工作总结 | 第67-68页 |
| 5.2 未来工作展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间的主要成果 | 第73页 |
