摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第11-21页 |
1.1 课题研究背景、目的及意义 | 第11-13页 |
1.1.1 课题来源及研究背景 | 第11-12页 |
1.1.2 课题研究目的及意义 | 第12-13页 |
1.2 国内外人员室内定位发展现状 | 第13-15页 |
1.2.1 室内定位系统 | 第13页 |
1.2.2 室内定位系统的研究现状 | 第13-15页 |
1.3 消防救援研究现状与发展动态 | 第15-17页 |
1.3.1 消防救援的研究现状 | 第15-17页 |
1.3.2 未来发展趋势 | 第17页 |
1.4 主要研究内容及章节安排 | 第17-21页 |
1.4.1 主要研究内容 | 第17-18页 |
1.4.2 章节安排 | 第18-21页 |
第2章 基于神经网络的室内行人盲区推估算法 | 第21-43页 |
2.1 基于惯性传感器的盲区推估技术 | 第21-27页 |
2.1.1 盲区推估定位原理 | 第22-24页 |
2.1.2 行人盲区推估 | 第24-27页 |
2.2 脚步识别与步态分类 | 第27-33页 |
2.2.1 脚步识别 | 第27-30页 |
2.2.2 人工神经网络 | 第30-31页 |
2.2.3 步态分类 | 第31-33页 |
2.3 基于BP神经网络的步长估计 | 第33-37页 |
2.3.1 传统步长估计与BP神经网络 | 第33页 |
2.3.2 BP神经网络的参数选择及精度验证 | 第33-36页 |
2.3.3 神经网络估计与传统估计的精度对比 | 第36-37页 |
2.4 消防员行进朝向估计 | 第37-41页 |
2.4.1 传感器误差分析 | 第37-39页 |
2.4.2 卡尔曼滤波 | 第39-41页 |
2.5 本章小结 | 第41-43页 |
第3章 基于粒子滤波的地图匹配 | 第43-61页 |
3.1 单纯盲区推估算法的误差累积问题 | 第43-45页 |
3.1.1 误差累积的数学描述 | 第43-44页 |
3.1.2 累积误差的消除 | 第44-45页 |
3.2 粒子滤波算法 | 第45-49页 |
3.2.1 粒子滤波算法的数学模型 | 第45-46页 |
3.2.2 消防员运动状态独立假设与地图匹配度独立性假设 | 第46-47页 |
3.2.3 粒子分布和权值递推关系的推导 | 第47-49页 |
3.3 基于粒子滤波的地图匹配算法 | 第49-54页 |
3.3.1 地图匹配度函数 | 第49-50页 |
3.3.2 穿墙检测算法 | 第50-54页 |
3.3.3 拐角和楼梯检测 | 第54页 |
3.4 基于粒子滤波的地图匹配算法 | 第54-59页 |
3.4.1 算法流程 | 第54-57页 |
3.4.2 粒子滤波效果验证 | 第57-59页 |
3.5 本章小结 | 第59-61页 |
第4章 基于头戴式Android设备的消防员信息协同系统 | 第61-73页 |
4.1 系统架构 | 第61-62页 |
4.2 基于头戴式设备的消防员端 | 第62-66页 |
4.2.1 消防员端硬件构成 | 第63-64页 |
4.2.2 体征信息采集 | 第64-65页 |
4.2.3 位置信息计算 | 第65-66页 |
4.2.4 显示设备 | 第66页 |
4.3 基于TCP与B/S架构的服务与监控 | 第66-72页 |
4.3.1 服务器端功能概述 | 第66-67页 |
4.3.2 数据库程序开发 | 第67-68页 |
4.3.3 通信协议设计 | 第68-69页 |
4.3.4 与消防员端通信的接口程序设计 | 第69-70页 |
4.3.5 基于浏览器的远程监控程序开发 | 第70-72页 |
4.4 本章小结 | 第72-73页 |
第5章 实验测试与数据分析 | 第73-81页 |
5.1 系统性能评价指标 | 第73-74页 |
5.2 消防员端性能验证 | 第74-78页 |
5.2.1 体征传感器性能验证 | 第74-75页 |
5.2.2 头戴式Android设备性能验证 | 第75-77页 |
5.2.3 定位算法精度验证 | 第77-78页 |
5.3 服务器端性能验证 | 第78-79页 |
5.4 本章小结 | 第79-81页 |
第6章 总结与展望 | 第81-85页 |
6.1 总结 | 第81-82页 |
6.2 展望 | 第82-85页 |
参考文献 | 第85-91页 |
致谢 | 第91-93页 |
硕士期间发表的论文和专利 | 第93-95页 |
作者简介 | 第95页 |