基于RSSI的低功耗蓝牙4.0室内定位技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第12-17页 |
| 1.1 课题的研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 论文的研究目标和主要工作 | 第15页 |
| 1.4 论文结构安排 | 第15-17页 |
| 2 无线室内定位技术 | 第17-29页 |
| 2.1 无线室内定位技术的分类 | 第17-19页 |
| 2.2 室内定位算法 | 第19-25页 |
| 2.2.1 非基于测距的定位算法 | 第20-22页 |
| 2.2.2 基于测距的定位算法 | 第22-25页 |
| 2.3 基于RSSI的定位技术 | 第25-28页 |
| 2.3.1 基于RSSI信号指纹的定位算法 | 第25-27页 |
| 2.3.2 基于RSSI测距定位算法 | 第27-28页 |
| 2.4 本章小节 | 第28-29页 |
| 3 iBeacon蓝牙技术简介 | 第29-34页 |
| 3.1 Beacon的技术标准 | 第29-30页 |
| 3.2 iBeacon的数据格式 | 第30-31页 |
| 3.3 iBeacon的应用 | 第31-32页 |
| 3.4 iBeacon的发展现状 | 第32-34页 |
| 4 基于RSSI的测距模型 | 第34-51页 |
| 4.1 基于RSSI的测距与原理 | 第34页 |
| 4.2 RSSI信号衰减模型 | 第34-37页 |
| 4.3 信号的采集与处理 | 第37-43页 |
| 4.3.1 A和n的测量 | 第37页 |
| 4.3.2 实验环境 | 第37-39页 |
| 4.3.3 高斯-卡尔曼滤波算法 | 第39-42页 |
| 4.3.4 仿真结果与分析 | 第42-43页 |
| 4.4 测距模型的拟合 | 第43-46页 |
| 4.5 基于BP神经网络的信号距离拟合模型 | 第46-50页 |
| 4.5.1 BP神经网络简介 | 第47-48页 |
| 4.5.2 BP神经网络模型仿真测试 | 第48-50页 |
| 4.6 本章小节 | 第50-51页 |
| 5 加权三角质心定位算法 | 第51-63页 |
| 5.1 三边测量法 | 第51-52页 |
| 5.2 三角形质心算法 | 第52-54页 |
| 5.3 改进的加权三角质心定位算法 | 第54-56页 |
| 5.4 实验系统设计与分析 | 第56-62页 |
| 5.4.1 系统设计 | 第56-58页 |
| 5.4.2 算法过程 | 第58-60页 |
| 5.4.3 实验结果分析 | 第60-62页 |
| 5.5 本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间主要的研究成果 | 第69-70页 |
| 致谢 | 第70页 |
