| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 室内定位研究现状 | 第13-16页 |
| 1.2.1 Wi-Fi指纹定位研究现状 | 第13-14页 |
| 1.2.2 行人航位推测研究现状 | 第14-15页 |
| 1.2.3 室内融合定位模型研究现状 | 第15-16页 |
| 1.3 室内融合定位面临的问题 | 第16-17页 |
| 1.4 研究内容和论文结构 | 第17-19页 |
| 2 基于机器学习的WI-FI指纹定位 | 第19-47页 |
| 2.1 WI-Fi信号特性分析 | 第19-23页 |
| 2.1.1 Wi-Fi信号的波动性 | 第20-21页 |
| 2.1.2 Wi-Fi信号与位置的关联性 | 第21-22页 |
| 2.1.3 Wi-Fi信号的冗余性 | 第22-23页 |
| 2.2 基于数据分析的数据预处理 | 第23-29页 |
| 2.2.1 常用的AP选取方法 | 第24-26页 |
| 2.2.2 IG与PCA相结合的AP选取改进算法 | 第26-29页 |
| 2.3 基于机器学习的Wi-Fi指纹室内定位算法 | 第29-36页 |
| 2.3.1 定位模型建立 | 第29-32页 |
| 2.3.2 基于机器学习理论的定位方法研究 | 第32-36页 |
| 2.4 实验验证 | 第36-45页 |
| 2.4.1 模拟数据实验 | 第36-41页 |
| 2.4.2 实际场景实验 | 第41-45页 |
| 2.5 本章小结 | 第45-47页 |
| 3 基于WI-FI与PDR的多源融合定位算法研究 | 第47-69页 |
| 3.1 行人航位推算原理 | 第47-50页 |
| 3.1.1 行人步伐检测 | 第48-49页 |
| 3.1.2 行人步长估计 | 第49-50页 |
| 3.1.3 航向角推测 | 第50页 |
| 3.2 一种自适应航位推算定位模型 | 第50-55页 |
| 3.2.1 基于状态判定的自适应步伐检测 | 第50-54页 |
| 3.2.2 基于步频的自适应权值行人步长估计 | 第54-55页 |
| 3.4 基于互补滤波的航向角估计 | 第55-57页 |
| 3.5 基于WI-FI与PDR多源信息融合的定位算法设计 | 第57-65页 |
| 3.5.1 融合模型建立 | 第59-61页 |
| 3.5.2 基于扩展卡尔曼滤波的定数据融合定位方法 | 第61-63页 |
| 3.5.3 基于无迹卡尔曼滤波的数据融合定位方法 | 第63-65页 |
| 3.6 实验验证 | 第65-68页 |
| 3.6.1 PDR定位算法实验验证 | 第65-67页 |
| 3.6.2 融合定位算法实验验证 | 第67-68页 |
| 3.7 本章小节 | 第68-69页 |
| 4 基于地标辅助的室内定位模型 | 第69-81页 |
| 4.1 辅助定位问题 | 第69页 |
| 4.2 基于地标辅助的室内定位系统设计 | 第69-76页 |
| 4.2.1 基于地标辅助的室内定位系统组成架构 | 第70-71页 |
| 4.2.2 地标的基本概念及特性分析 | 第71-72页 |
| 4.2.3 基于数据分析的子地标检测方法 | 第72-74页 |
| 4.2.4 基于聚类分析的生成地标检测算法 | 第74-76页 |
| 4.3 实验验证 | 第76-79页 |
| 4.4 本章小结 | 第79-81页 |
| 5 结论 | 第81-83页 |
| 5.1 全文总结 | 第81-82页 |
| 5.2 未来展望 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第87-91页 |
| 学位论文数据集 | 第91页 |