| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第1章 绪论 | 第16-42页 |
| 1.1 课题的研究背景、目的和意义 | 第16-21页 |
| 1.1.1 课题的研究背景 | 第16-18页 |
| 1.1.2 课题的研究目的和意义 | 第18-21页 |
| 1.2 室内定位技术国内外研究现状 | 第21-31页 |
| 1.2.1 基于位置的服务发展与研究现状 | 第21-24页 |
| 1.2.2 典型的室内定位技术 | 第24-28页 |
| 1.2.3 基于WLAN的位置指纹室内定位系统 | 第28-31页 |
| 1.3 基于众包的WLAN位置指纹室内定位系统 | 第31-34页 |
| 1.3.1 众包技术国内外发展与研究现状 | 第31-33页 |
| 1.3.2 基于众包的WLAN位置指纹定位系统 | 第33-34页 |
| 1.4 WLAN位置指纹定位系统存在的问题及国内外研究现状 | 第34-38页 |
| 1.4.1 radiomap低成本建立算法研究现状 | 第34-36页 |
| 1.4.2 设备多样性问题研究现状 | 第36-37页 |
| 1.4.3 RSS信号波动问题研究现状 | 第37-38页 |
| 1.5 本文主要研究内容 | 第38-42页 |
| 第2章 WLAN位置指纹定位系统理论基础 | 第42-59页 |
| 2.1 引言 | 第42页 |
| 2.2 基于WLAN的位置指纹室内定位系统 | 第42-52页 |
| 2.2.1 WLAN位置指纹室内定位基本原理 | 第42-44页 |
| 2.2.2 WLAN位置指纹数据库的建立 | 第44-48页 |
| 2.2.3 WLAN位置指纹定位算法 | 第48-52页 |
| 2.3 基于众包的WLAN位置指纹室内定位基本原理 | 第52-56页 |
| 2.3.1 基于众包的WLAN位置指纹室内架构分析 | 第52-55页 |
| 2.3.2 基于众包的WLAN位置指纹室内定位系统特征 | 第55-56页 |
| 2.4 WLAN位置指纹室内定位实验系统 | 第56-58页 |
| 2.4.1 哈尔滨工业大学科学园2A栋12楼走廊室内定位环境 | 第56-57页 |
| 2.4.2 多伦多大学Bahen楼4楼走廊室内定位环境 | 第57-58页 |
| 2.5 本章小结 | 第58-59页 |
| 第3章 基于线性回归的设备多样性问题消除算法 | 第59-84页 |
| 3.1 引言 | 第59-60页 |
| 3.2 WLAN室内定位系统终端多样性问题分析 | 第60-65页 |
| 3.2.1 终端多样性问题描述 | 第60-61页 |
| 3.2.2 终端采集RSS数据线性关系证明 | 第61-65页 |
| 3.3 基于线性回归的设备多样化消除算法 | 第65-73页 |
| 3.3.1 RSS数据预处理 | 第66-68页 |
| 3.3.2 RSS数据预定位 | 第68-69页 |
| 3.3.3 AP选择 | 第69页 |
| 3.3.4 基于线性回归算法的设备多样化问题消除 | 第69-73页 |
| 3.4 线性回归算法指纹误检测概率分析 | 第73-78页 |
| 3.4.1 特殊情况：radiomapX中包含两个指纹 | 第73-77页 |
| 3.4.2 一般情况：radiomapX中包含n个指纹 | 第77-78页 |
| 3.5 实验结果与分析 | 第78-83页 |
| 3.5.1 实验设置 | 第78-79页 |
| 3.5.2 线性回归算法试验结果 | 第79-82页 |
| 3.5.3 RSS数据预处理与预定位对定位结果影响 | 第82-83页 |
| 3.6 本章小结 | 第83-84页 |
| 第4章 基于压缩感知的半监督学习室内定位算法 | 第84-105页 |
| 4.1 引言 | 第84-85页 |
| 4.2 半监督学习算法 | 第85-88页 |
| 4.2.1 无监督学习 | 第85-86页 |
| 4.2.2 监督学习 | 第86页 |
| 4.2.3 半监督学习 | 第86-88页 |
| 4.3 基于图的半监督学习室内定位算法 | 第88-96页 |
| 4.3.1 标记传播算法及其收敛性分析 | 第88-90页 |
| 4.3.2 基于标签传播的室内定位算法 | 第90-91页 |
| 4.3.3 传统图构建方法 | 第91-92页 |
| 4.3.4 压缩感知理论 | 第92-93页 |
| 4.3.5 基于压缩感知的权重图重构算法 | 第93-96页 |
| 4.3.6 基于KNN-L1理论的权重图重构算法 | 第96页 |
| 4.4 实验与仿真结果与分析 | 第96-104页 |
| 4.4.1 实验设置 | 第96页 |
| 4.4.2 半监督学习算法定位结果 | 第96-102页 |
| 4.4.3 KNN-L1图对定位结果影响 | 第102-104页 |
| 4.5 本章小结 | 第104-105页 |
| 第5章 基于室内信号传播模型的RSS数据平滑算法 | 第105-134页 |
| 5.1 引言 | 第105-106页 |
| 5.2 室内环境中RSS信号波动分析 | 第106-108页 |
| 5.3 基于压缩感知的AP位置估计算法 | 第108-110页 |
| 5.4 基于信号传播模型的奇异值消除算法 | 第110-114页 |
| 5.4.1 SPORT基本理论 | 第110-113页 |
| 5.4.2 基于SPORT算法的奇异值消除算法 | 第113-114页 |
| 5.5 RSS差值感知的半监督学习RSS数据平滑算法 | 第114-119页 |
| 5.5.1 差值?Rd(Si,Sj)估计 | 第115页 |
| 5.5.2 最优值求解 | 第115-117页 |
| 5.5.3 基于压缩感知理论的RG-SSL稀疏图建立算法 | 第117-119页 |
| 5.6 实验结果与分析 | 第119-133页 |
| 5.6.1 基于SPORT算法的奇异值消除仿真结果分析 | 第119-122页 |
| 5.6.2 基于半监督学习算法的RSS数据平滑结果分析 | 第122-127页 |
| 5.6.3 权重图稀疏恢复对RSS数据平滑的影响 | 第127-129页 |
| 5.6.4 RSS数据平滑算法在哈尔滨工业大学2A栋12楼定位环境的性能 | 第129-133页 |
| 5.7 本章小结 | 第133-134页 |
| 结论 | 第134-136页 |
| 参考文献 | 第136-149页 |
| 攻读博士学位期间发表的论文及其他成果 | 第149-152页 |
| 致谢 | 第152-153页 |
| 个人简历 | 第153页 |
