| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.1.1 课题来源 | 第13页 |
| 1.1.2 选题依据和背景情况 | 第13页 |
| 1.1.3 课题研究目的 | 第13-14页 |
| 1.2 无线传感器网络定位算法概述 | 第14-18页 |
| 1.2.1 无线传感器网络定位算法分类 | 第14-16页 |
| 1.2.2 无线传感器网络定位的关键技术 | 第16-18页 |
| 1.3 国内外研究现状 | 第18-20页 |
| 1.3.1 无线传感器网络定位研究现状 | 第18-19页 |
| 1.3.2 摄像机网络定位研究现状 | 第19页 |
| 1.3.3 无线多媒体传感器网络定位研究现状 | 第19-20页 |
| 1.4 本文研究内容及论文组织结构 | 第20-23页 |
| 1.4.1 主要研究内容 | 第20-21页 |
| 1.4.2 章节安排 | 第21-23页 |
| 第2章 基于网格改进极大似然的移动机器人动态定位 | 第23-41页 |
| 2.1 基于RSSI极大似然的移动机器人动态定位 | 第23-26页 |
| 2.1.1 RSSI测距模型 | 第23-24页 |
| 2.1.2 RSSI测距模型特征分析 | 第24-25页 |
| 2.1.3 极大似然的动态定位算法 | 第25-26页 |
| 2.2 基于网格改进极大似然的移动机器人动态定位 | 第26-31页 |
| 2.2.1 极大似然的网格概率分布算法 | 第26-27页 |
| 2.2.2 改进极大似然的网格概率分布算法 | 第27-28页 |
| 2.2.3 面向对称性部署的改进极大似然网格概率分布定位 | 第28-31页 |
| 2.3 基于卡尔曼滤波的盲区定位 | 第31-35页 |
| 2.3.1 一般状态空间模型 | 第31-32页 |
| 2.3.2 改进的经典卡尔曼滤波算法 | 第32-34页 |
| 2.3.3 适于网络盲区虚拟信标节点的卡尔曼滤波算法 | 第34-35页 |
| 2.4 仿真和实验结果分析 | 第35-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第3章 基于改进APIT的移动机器人动态定位 | 第41-61页 |
| 3.1 基于三边测量的动态定位和测距优化算法 | 第41-44页 |
| 3.1.1 三边测量定位算法 | 第41-42页 |
| 3.1.2 卡尔曼滤波优化RSSI测距模型算法 | 第42-44页 |
| 3.2 基于改进APIT的移动机器人动态定位算法 | 第44-48页 |
| 3.2.1 最佳三角形内点测试数学模型 | 第44-45页 |
| 3.2.2 改进APIT算法 | 第45-48页 |
| 3.2.3 适于网络盲区的改进APIT算法 | 第48页 |
| 3.3 仿真实验和结果分析 | 第48-54页 |
| 3.3.1 基于测距的改进APIT定位算法实验 | 第48-51页 |
| 3.3.2 基于卡尔曼滤波的移动机器人动态定位算法实验 | 第51-52页 |
| 3.3.3 卡尔曼滤波算法在绝对网络盲区的定位实验 | 第52-54页 |
| 3.4 室内移动机器人自主动态定位实验 | 第54-59页 |
| 3.5 本章小结 | 第59-61页 |
| 第4章 基于隐形边的移动机器人动态定位和路径规划 | 第61-79页 |
| 4.1 移动机器人定位和路径规划以及自动部署概述 | 第61-63页 |
| 4.1.1 隐形边定位算法 | 第61-62页 |
| 4.1.2 移动机器人路径规划概述 | 第62-63页 |
| 4.1.3 移动机器人自动部署无线传感器网络概述 | 第63页 |
| 4.2 基于隐形边的移动机器人最大范围定位 | 第63-69页 |
| 4.2.1 无需隐形边的无线传感器网络定位算法 | 第63-65页 |
| 4.2.2 应用隐形边的移动机器人最大范围动态定位算法 | 第65-69页 |
| 4.2.3 应用隐形边的定位算法和三边测量法的拟合 | 第69页 |
| 4.3 基于三角形和生成树的移动机器人路径规划 | 第69-72页 |
| 4.3.1 应用三角形和生成树的路径规划算法 | 第69-71页 |
| 4.3.2 实现冗余网络覆盖的漏洞修复算法 | 第71页 |
| 4.3.3 虚拟网格的边界穿越算法 | 第71-72页 |
| 4.4 仿真实验与结果分析 | 第72-78页 |
| 4.4.1 应用隐形边的最大范围定位算法分析 | 第72-74页 |
| 4.4.2 基于三角形和生成树的路径规划算法分析 | 第74-78页 |
| 4.5 本章小结 | 第78-79页 |
| 第5章 基于公垂线质心的移动机器人动态定位 | 第79-101页 |
| 5.1 基于摄像机网络的多摄像机联合标定算法 | 第79-84页 |
| 5.1.1 Harris角度检测和提取算法 | 第80-82页 |
| 5.1.2 多摄像机联合标定的线性模型 | 第82-83页 |
| 5.1.3 非奇异标定板部署 | 第83-84页 |
| 5.2 基于改进公垂线中点质心的移动机器人动态定位算法 | 第84-91页 |
| 5.2.1 自适应背景混合模型 | 第84-85页 |
| 5.2.2 公垂线中点质心3D定位算法 | 第85-87页 |
| 5.2.3 改进公垂线中点质心3D定位算法 | 第87页 |
| 5.2.4 实验结果分析 | 第87-91页 |
| 5.3 基于无线多媒体传感器网络的联合同步机制 | 第91-99页 |
| 5.3.1 分布式计算系统架构 | 第91-93页 |
| 5.3.2 API包封装算法 | 第93页 |
| 5.3.3 面向无线多媒体传感器网络的多摄像机联合同步算法 | 第93-96页 |
| 5.3.4 实验数据分析 | 第96-99页 |
| 5.4 本章小结 | 第99-101页 |
| 第6章 基于递推最小二乘的移动机器人动态定位 | 第101-121页 |
| 6.1 基于无线多媒体传感器的网络架构 | 第101-105页 |
| 6.1.1 无线多媒体传感器网络的自组织网络 | 第101-102页 |
| 6.1.2 无线多媒体传感器网络的目标检测算法 | 第102-103页 |
| 6.1.3 无线多媒体传感器网络的定位系统硬件平台 | 第103-105页 |
| 6.2 基于递推最小二乘的移动机器人动态定位算法 | 第105-108页 |
| 6.2.1 面向畸变补偿的多视角联合标定算法 | 第105-106页 |
| 6.2.2 面向3D定位的最小二乘算法 | 第106-107页 |
| 6.2.3 面向3D定位的递推最小二乘算法 | 第107-108页 |
| 6.3 基于无线多媒体传感器网络的定位误差补偿机制 | 第108-110页 |
| 6.3.1 多视角3D定位误差分析 | 第108-109页 |
| 6.3.2 面向无线多媒体传感器网络的3D定位误差补偿算法 | 第109-110页 |
| 6.4 实验数据及分析 | 第110-120页 |
| 6.4.1 多视角联合标定实验数据分析 | 第111-114页 |
| 6.4.2 面向WMSNs的移动机器人3D定位实验数据分析 | 第114-120页 |
| 6.5 本章小结 | 第120-121页 |
| 第7章 总结与展望 | 第121-123页 |
| 7.1 总结 | 第121-122页 |
| 7.2 展望 | 第122-123页 |
| 参考文献 | 第123-137页 |
| 致谢 | 第137-139页 |
| 作者在攻读博士学位期间发表的学术论文 | 第139页 |
