| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 室内定位技术研究现状 | 第10-13页 |
| 1.2.1 红外室内定位系统 | 第10-11页 |
| 1.2.2 超声波定位系统 | 第11页 |
| 1.2.3 射频信号识别定位系统 | 第11页 |
| 1.2.4 超宽带定位系统 | 第11页 |
| 1.2.5 无线局域网定位系统 | 第11-13页 |
| 1.3 本文主要内容及结构 | 第13-15页 |
| 1.3.1 主要内容 | 第13页 |
| 1.3.2 文章结构 | 第13-15页 |
| 2 无线局域网室内定位技术理论概述 | 第15-28页 |
| 2.1 WLAN室内定位基本原理 | 第15-18页 |
| 2.1.1 到达时间(TOA) | 第15页 |
| 2.1.2 到达时间差(TDOA) | 第15-16页 |
| 2.1.3 到达角度(AOA) | 第16-17页 |
| 2.1.4 接收信号强度(RSS) | 第17-18页 |
| 2.2 基于RSSI位置指纹定位系统 | 第18-20页 |
| 2.3 指纹建库概述 | 第20-21页 |
| 2.4 几种常见的室内定位算法介绍 | 第21-28页 |
| 2.4.1 匹配型算法 | 第21-25页 |
| 2.4.2 学习型算法 | 第25-26页 |
| 2.4.3 基于聚类的算法 | 第26-28页 |
| 3 基于经验型模型的WiFi指纹连续定位系统 | 第28-39页 |
| 3.1 信号样本采集与特征分析 | 第29-36页 |
| 3.1.1 信号样本采集 | 第29-32页 |
| 3.1.2 信号数据的特性分析 | 第32-36页 |
| 3.2 连续空间估计算法 | 第36-39页 |
| 4 智能楼层辨别方法 | 第39-46页 |
| 4.1 楼层辨识问题 | 第39-40页 |
| 4.2 楼层变化检测 | 第40-44页 |
| 4.2.1 基于气压计的方法 | 第40-42页 |
| 4.2.2 融合气压计和加速度计的方法 | 第42-44页 |
| 4.3 楼层判别方法 | 第44-46页 |
| 4.3.1 基于K-means算法的楼层判别方法 | 第44页 |
| 4.3.2 基于K近邻法的楼层辨别方法 | 第44-45页 |
| 4.3.3 基于神经网络的楼层判别方法 | 第45-46页 |
| 5 基于WiFi指纹定位智能楼层辨别系统的实验结果分析 | 第46-54页 |
| 5.1 定位系统体系架构 | 第46-49页 |
| 5.1.1 定位系统结构组成 | 第46-48页 |
| 5.1.2 基于服务器端实现的系统结构 | 第48-49页 |
| 5.2 实验环境布局 | 第49-50页 |
| 5.3 软件架构设计 | 第50-52页 |
| 5.3.1 软件总体架构 | 第50-51页 |
| 5.3.2 智能终端程序 | 第51页 |
| 5.3.3 服务器端程序 | 第51-52页 |
| 5.4 系统性能分析 | 第52页 |
| 5.5 智能楼层辨别系统实验结果及分析 | 第52-54页 |
| 6 总结与展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59页 |