室内位置指纹定位算法的研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 室内定位技术研究现状 | 第10-12页 |
| 1.2.2 位置指纹定位算法研究现状 | 第12-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 章节安排 | 第14-16页 |
| 第二章 WALN位置指纹定位算法原理概述 | 第16-26页 |
| 2.1 WALN室内定位方法 | 第16-19页 |
| 2.1.1 几何法 | 第16-18页 |
| 2.1.2 近似法 | 第18页 |
| 2.1.3 场景分析法 | 第18-19页 |
| 2.2 位置指纹法 | 第19-20页 |
| 2.2.1 位置指纹概述 | 第19页 |
| 2.2.2 基本工作原理 | 第19-20页 |
| 2.3 典型的位置指纹定位算法 | 第20-24页 |
| 2.3.1 KNN算法 | 第21页 |
| 2.3.2 朴素贝叶斯算法 | 第21-22页 |
| 2.3.3 SVR算法 | 第22-23页 |
| 2.3.4 ELM算法 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 基于流形正则化的半监督指纹定位算法 | 第26-40页 |
| 3.1 ELM定位算法 | 第26-28页 |
| 3.2 半监督流形学习 | 第28-29页 |
| 3.3 MR-ELM定位算法 | 第29-31页 |
| 3.4 实验结果分析 | 第31-39页 |
| 3.4.1 评判标准 | 第31-32页 |
| 3.4.2 仿真数据的定位实验 | 第32-37页 |
| 3.4.3 实测数据的定位实验 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于半监督极限学习机的增量式定位算法 | 第40-51页 |
| 4.1 增量式ELM定位算法 | 第40-42页 |
| 4.2 IS-ELM室内定位算法 | 第42-46页 |
| 4.2.1 增量式改进 | 第42-44页 |
| 4.2.2 时效性改进 | 第44-46页 |
| 4.3 实验结果分析 | 第46-50页 |
| 4.3.1 实验设置 | 第46页 |
| 4.3.2 参数选取 | 第46-47页 |
| 4.3.3 结果分析 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于并行混沌优化的ELM定位算法 | 第51-61页 |
| 5.1 ELM算法参数优化问题 | 第51-52页 |
| 5.2 并行混沌优化的ELM定位算法 | 第52-55页 |
| 5.2.1 并行混沌优化 | 第52-53页 |
| 5.2.2 PC-ELM算法 | 第53-55页 |
| 5.3 实验结果分析 | 第55-60页 |
| 5.3.1 评判标准 | 第55-56页 |
| 5.3.2 二维空间的定位实验 | 第56-59页 |
| 5.3.3 三维空间的定位实验 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 主要结论与展望 | 第61-63页 |
| 主要结论 | 第61页 |
| 展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 附录:作者在攻读硕士学位期间发表的论文 | 第68页 |
