| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题背景及研究的意义 | 第8-9页 |
| 1.2 国内外在该方向的研究现状 | 第9-15页 |
| 1.2.1 超宽带技术现状 | 第9-10页 |
| 1.2.2 超宽带测距技术现状 | 第10-13页 |
| 1.2.3 超宽带误差校正技术现状 | 第13页 |
| 1.2.4 超宽带定位技术现状 | 第13-15页 |
| 1.3 本文的主要研究内容 | 第15-16页 |
| 第2章 超宽带技术基础及系统模型 | 第16-27页 |
| 2.1 基于TOA估计的超宽带技术基础 | 第16-18页 |
| 2.1.1 波分多址超宽带的定义与特点 | 第16-17页 |
| 2.1.2 波分多址超宽带定位的拓扑结构及实现方式 | 第17-18页 |
| 2.2 超宽带定位系统模型 | 第18-26页 |
| 2.2.1 超宽带信号波形实现 | 第18-22页 |
| 2.2.2 信道模型 | 第22-25页 |
| 2.2.3 接收信号模型 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 超宽带测距TOA估计算法 | 第27-40页 |
| 3.1 基于经典TOA估计原理与性能分析 | 第27-29页 |
| 3.2 基于信息熵的超宽带测距算法 | 第29-37页 |
| 3.2.1 信息熵的基本理论 | 第29-30页 |
| 3.2.2 基于熵的TOA估计算法 | 第30-37页 |
| 3.3 仿真分析 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于高斯过程回归的误差校正技术 | 第40-52页 |
| 4.1 高斯过程基本理论 | 第40-44页 |
| 4.1.1 机器学习理论基础 | 第40-41页 |
| 4.1.2 贝叶斯学习方法 | 第41-42页 |
| 4.1.3 高斯过程回归原理 | 第42-44页 |
| 4.2 特征提取及选择 | 第44-48页 |
| 4.3 基于GPR的测距误差校正算法 | 第48-49页 |
| 4.4 仿真与分析 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 超宽带系统的室内定位技术 | 第52-61页 |
| 5.1 最小二乘算法及粒子群算法 | 第52-54页 |
| 5.2 基于多节点的协同定位算法 | 第54-56页 |
| 5.3 影响定位精度的因素分析 | 第56-57页 |
| 5.3.1 参考节点数 | 第56-57页 |
| 5.3.2 测距误差 | 第57页 |
| 5.4 实验仿真分析 | 第57-60页 |
| 5.5 本章小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第68-70页 |
| 致谢 | 第70页 |