| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 选题背景和研究意义 | 第10-12页 |
| 1.2 国内外研究状况 | 第12-14页 |
| 1.3 本文研究内容和创新点 | 第14-15页 |
| 1.4 论文结构安排 | 第15-16页 |
| 第二章 室内定位相关技术研究 | 第16-29页 |
| 2.1 引言 | 第16-17页 |
| 2.2 基于测距的定位算法 | 第17-22页 |
| 2.2.1 基于到达时间或者到达角度测距方法 | 第18-21页 |
| 2.2.2 基于RSS测距的定位方法 | 第21-22页 |
| 2.3 无需测距的定位算法 | 第22-27页 |
| 2.3.1 位置近似法 | 第22页 |
| 2.3.2 质心定位算法 | 第22-23页 |
| 2.3.3 三角形内点定位算法 | 第23-24页 |
| 2.3.4 基于指纹数据库定位算法 | 第24-27页 |
| 2.4 定位算法比较 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于滤波的改进型三角定位算法研究 | 第29-50页 |
| 3.1 室内无线传播模型 | 第29-31页 |
| 3.1.1 对数距离路径损耗模型 | 第29-30页 |
| 3.1.2 衰减因子模型 | 第30页 |
| 3.1.3 Keenan-Motley模型 | 第30页 |
| 3.1.4 多墙模型 | 第30-31页 |
| 3.2 RSS信号滤波方法 | 第31-38页 |
| 3.2.1 均值滤波 | 第32页 |
| 3.2.2 高斯滤波 | 第32-33页 |
| 3.2.3 修正的加权滤波 | 第33-35页 |
| 3.2.4 卡尔曼滤波 | 第35-37页 |
| 3.2.5 滤波结果比较 | 第37-38页 |
| 3.3 改进的PE加权三角质心定位算法研究 | 第38-43页 |
| 3.3.1 三角质心定位算法 | 第39-40页 |
| 3.3.2 加权三角质心定位算法 | 第40页 |
| 3.3.3 最小二乘法 | 第40-41页 |
| 3.3.4 改进的PE加权三角质心定位算法 | 第41-43页 |
| 3.4 仿真结果及分析 | 第43-49页 |
| 3.4.1 RSS测距 | 第43页 |
| 3.4.2 测距模型常量A和n的确定 | 第43-45页 |
| 3.4.3 实验结果分析 | 第45-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 基于神经网络的改进型指纹定位算法研究 | 第50-72页 |
| 4.1 距离相关算法 | 第50-52页 |
| 4.1.1 K近邻算法(KNN) | 第50-51页 |
| 4.1.2 加权K最近邻算法(WKNN) | 第51页 |
| 4.1.3 PKNN/PWKNN算法 | 第51-52页 |
| 4.2 神经网络 | 第52-60页 |
| 4.2.1 BP算法 | 第52-54页 |
| 4.2.2 深度学习中正则化方法 | 第54-56页 |
| 4.2.3 深度学习中自适应学习速率 | 第56-57页 |
| 4.2.4 BP神经网络中权值? 和阈值? 更新规则 | 第57-60页 |
| 4.3 基于神经网络的改进型指纹定位算法-NNIA算法 | 第60-65页 |
| 4.4 仿真结果及分析 | 第65-71页 |
| 4.4.1 验证NNIA算法与选择用来定位的参考点数量无关 | 第66-67页 |
| 4.4.2 AP发生变动时NNIA定位结果分析 | 第67页 |
| 4.4.3 不同算法定位结果及分析 | 第67-71页 |
| 4.5 本章小结 | 第71-72页 |
| 第五章 总结和期望 | 第72-74页 |
| 5.1 总结 | 第72-73页 |
| 5.2 未来工作展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 附录A 实验统计数据 | 第79-86页 |
| 附表1 RP点数据统计 | 第79-82页 |
| 附表2 训练样本点的数据统计 | 第82-84页 |
| 附表3 测试点数据统计 | 第84-86页 |
| 攻读硕士学位期间取得的成果 | 第86-87页 |
