| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1. 研究背景及意义 | 第10-11页 |
| 1.2. 国内外相关研究现状 | 第11-14页 |
| 1.2.1. 指纹定位相关技术分析 | 第11-13页 |
| 1.2.2. 典型聚类算法发展现状 | 第13页 |
| 1.2.3. 基于机器学习的聚类算法发展现状 | 第13-14页 |
| 1.3. 经典聚类算法存在的问题及解决方案 | 第14页 |
| 1.3.1. 传统聚类方案存在的问题 | 第14页 |
| 1.3.2. 本文解决方案 | 第14页 |
| 1.4. 本文章节内容安排 | 第14-16页 |
| 第二章 指纹定位技术原理及分析 | 第16-28页 |
| 2.1. 指纹定位的原理和流程 | 第16-17页 |
| 2.2. WLAN信号室内传播特性分析 | 第17-21页 |
| 2.3. 典型匹配方式的聚类算法 | 第21-25页 |
| 2.3.1. k-means聚类算法 | 第21-23页 |
| 2.3.2. 网格单元法 | 第23页 |
| 2.3.3. 高斯混合模型 | 第23-24页 |
| 2.3.4. DBSCAN算法 | 第24-25页 |
| 2.4. 典型分类回归算法 | 第25-26页 |
| 2.4.1. 支持向量机的基本概念和应用场景 | 第25-26页 |
| 2.4.2. SVM应用场景 | 第26页 |
| 2.5. 聚类算法对比 | 第26-27页 |
| 2.6. 本章小结 | 第27-28页 |
| 第三章 基于DBSCAN-SVM的多层聚类算法 | 第28-47页 |
| 3.1. 基于DBSCAN的指纹库预稀疏化处理 | 第28-31页 |
| 3.1.1. 邻域半径Eps参数自动估计 | 第30-31页 |
| 3.2. 分类回归算法建模过程 | 第31-37页 |
| 3.2.1. SVM核函数及模型的选择 | 第31-32页 |
| 3.2.2. 利用支持向量机解决定位算法聚类问题 | 第32-35页 |
| 3.2.3. 基于空间关联性的两类分类器数据训练 | 第35-36页 |
| 3.2.4. 基于网格搜索和交叉验证的SVM最优参数求解 | 第36-37页 |
| 3.3. DBSCAN-SVM多层聚类算法 | 第37-40页 |
| 3.3.1. DBSCAN-SVM簇类模型的建立 | 第38-39页 |
| 3.3.2. DBSCAN-SVM模型回归 | 第39-40页 |
| 3.4. 聚类算法性能对比 | 第40-41页 |
| 3.5. 实验验证 | 第41-46页 |
| 3.5.1. 实验部署 | 第41-43页 |
| 3.5.2. 定位精度对比 | 第43-45页 |
| 3.5.3. 计算复杂度对比 | 第45-46页 |
| 3.6. 本章小结 | 第46-47页 |
| 第四章 多层聚类算法动态定位模型的误差补偿 | 第47-60页 |
| 4.1. 动态定位模型补偿算法 | 第47-52页 |
| 4.1.1. 朴素贝叶斯估计法 | 第47-48页 |
| 4.1.2. 标准离散卡尔曼滤波 | 第48-50页 |
| 4.1.3. 扩展卡尔曼滤波 | 第50-52页 |
| 4.2. 基于扩展卡尔曼滤波的定位连续性优化 | 第52-53页 |
| 4.2.1. Wifi与惯导的组合状态方程的建立 | 第52页 |
| 4.2.2. Wifi与惯导组合系统观测方程的建立 | 第52-53页 |
| 4.3. 商场实地测试 | 第53-58页 |
| 4.4. 结果分析和定位效果提升 | 第58-59页 |
| 4.5. 本章小结 | 第59-60页 |
| 第五章 定位系统设计与实验验证 | 第60-69页 |
| 5.1. 定位系统体系架构 | 第60-62页 |
| 5.1.1. 定位系统的结构组成 | 第60页 |
| 5.1.2. 定位服务端系统架构 | 第60-61页 |
| 5.1.3. Web服务端程序框架设计与实现 | 第61-62页 |
| 5.2. 实验布局 | 第62-64页 |
| 5.2.1. 在Android平台获取周围AP的RSSI | 第63-64页 |
| 5.3. 定位系统的实验验证 | 第64-68页 |
| 5.3.1. 单点定位场景 | 第64-65页 |
| 5.3.2. 动态定位场景 | 第65-68页 |
| 5.4. 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75-76页 |
| 攻读学位期间发表的学术论文目录 | 第76页 |
