基于改进的支持向量机的无线定位研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景、目的和意义 | 第8-11页 |
| 1.1.1 研究背景 | 第8-10页 |
| 1.1.2 研究目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的结构安排 | 第13-16页 |
| 第2章 无线定位技术 | 第16-24页 |
| 2.1 基于距离测量的无线定位 | 第16-19页 |
| 2.1.1 接收信号场强定位 | 第16-17页 |
| 2.1.2 到达时间定位 | 第17页 |
| 2.1.3 到达时间差定位 | 第17-18页 |
| 2.1.4 到达角度定位 | 第18-19页 |
| 2.2 影响基于测距的无线定位技术的主要因素 | 第19-20页 |
| 2.2.1 非视距传输 | 第19页 |
| 2.2.2 多径效应 | 第19-20页 |
| 2.2.3 阴影衰落 | 第20页 |
| 2.3 指纹定位技术原理 | 第20-21页 |
| 2.4 指纹定位技术 | 第21-23页 |
| 2.4.1 概率性指纹定位技术 | 第21-22页 |
| 2.4.2 确定性指纹定位 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 支持向量机模型及模拟退火算法 | 第24-36页 |
| 3.1 统计学习理论 | 第24-27页 |
| 3.1.1 结构风险最小原理 | 第25-26页 |
| 3.1.2 VC维理论 | 第26-27页 |
| 3.1.3 推广性的界 | 第27页 |
| 3.2 支持向量机原理概述 | 第27-28页 |
| 3.3 模拟退火算法概述 | 第28-34页 |
| 3.3.1 固体退火过程 | 第28-29页 |
| 3.3.2 模拟退火算法模型 | 第29-31页 |
| 3.3.3 模拟退火算法实现的基本步骤 | 第31-33页 |
| 3.3.4 关键参数的调控 | 第33-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第4章 学习型定位技术 | 第36-46页 |
| 4.1 基于人工神经网络的无线定位算法 | 第36-41页 |
| 4.1.1 学习训练过程 | 第37页 |
| 4.1.2 神经网络的神经元 | 第37-38页 |
| 4.1.3 神经网络的正向传播 | 第38-39页 |
| 4.1.4 BP神经网络的反向传播 | 第39-41页 |
| 4.2 基于核函数的无线定位算法 | 第41-43页 |
| 4.3 基于支持向量机的无线定位 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 基于模拟退火算法改进的支持向量机定位 | 第46-58页 |
| 5.1 改进的支持向量机定位整体流程 | 第46-47页 |
| 5.2 训练数据的采集 | 第47-49页 |
| 5.3 分层预测的网格划分 | 第49页 |
| 5.4 支持向量机模型定位建模 | 第49-53页 |
| 5.4.1 多分类算法 | 第49-50页 |
| 5.4.2 核函数的选取 | 第50-51页 |
| 5.4.3 模拟退火改进支持向量机的定位模型 | 第51-53页 |
| 5.5 定位算法性能评价标准 | 第53-54页 |
| 5.6 定位性能分析 | 第54-57页 |
| 5.7 本章小结 | 第57-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 发表论文和参加科研情况说明 | 第64-65页 |
| 致谢 | 第65-66页 |
