| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 专用术语注释表 | 第9-11页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究意义和研究现状 | 第11-12页 |
| 1.2 现有基于指纹的室内定位技术 | 第12页 |
| 1.3 基于机器学习的室内定位技术 | 第12-13页 |
| 1.4 本文主要工作 | 第13-14页 |
| 1.5 本文章节安排 | 第14-15页 |
| 第二章 基本理论知识 | 第15-33页 |
| 2.1 位置指纹定位技术 | 第15-17页 |
| 2.1.1 位置指纹 | 第15页 |
| 2.1.2 系统模型 | 第15-16页 |
| 2.1.3 离线阶段 | 第16-17页 |
| 2.1.4 在线阶段 | 第17页 |
| 2.2 位置指纹匹配算法 | 第17-30页 |
| 2.2.1 K近邻法 | 第17-18页 |
| 2.2.2 反向传播神经网络法 | 第18-21页 |
| 2.2.3 支持向量法 | 第21-30页 |
| 2.3 序列最小优化算法 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于RSSI和混合核函数的机器学习定位算法 | 第33-56页 |
| 3.1 离线数据预处理 | 第33-39页 |
| 3.1.1 常用数据预处理技术 | 第33-35页 |
| 3.1.2 迭代自组织数据分析 | 第35-39页 |
| 3.2 离线分类学习 | 第39-40页 |
| 3.2.1 分类问题模型 | 第39页 |
| 3.2.2 分类学习算法 | 第39-40页 |
| 3.3 离线回归学习 | 第40-46页 |
| 3.3.1 回归问题模型 | 第40-41页 |
| 3.3.2 回归学习算法 | 第41-43页 |
| 3.3.3 混合核函数的定义 | 第43-45页 |
| 3.3.4 权重系数优化方法 | 第45-46页 |
| 3.4 算法描述总结 | 第46-48页 |
| 3.5 算法性能分析 | 第48-54页 |
| 3.5.1 实验场景 | 第48-49页 |
| 3.5.2 参数设置 | 第49页 |
| 3.5.3 定位精度分析 | 第49-54页 |
| 3.5.4 计算复杂度分析 | 第54页 |
| 3.6 本章小结 | 第54-56页 |
| 第四章 基于RSSI和广义多核函数的机器学习定位算法 | 第56-71页 |
| 4.1 离线分类学习 | 第56-57页 |
| 4.2 离线回归学习 | 第57-63页 |
| 4.2.1 回归学习算法 | 第57-58页 |
| 4.2.2 多核函数的定义 | 第58-59页 |
| 4.2.3 广义多核学习算法 | 第59-60页 |
| 4.2.4 投影梯度下降求解算法 | 第60-61页 |
| 4.2.5 谱投影梯度求解算法 | 第61-63页 |
| 4.3 算法描述总结 | 第63-64页 |
| 4.4 算法性能分析 | 第64-69页 |
| 4.4.1 实验场景 | 第64页 |
| 4.4.2 参数设置 | 第64-65页 |
| 4.4.3 定位精度分析 | 第65-68页 |
| 4.4.4 计算复杂度分析 | 第68-69页 |
| 4.5 本章小结 | 第69-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 工作总结 | 第71-72页 |
| 5.2 研究展望 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第76-77页 |
| 附录2 攻读硕士学位期间申请的专利 | 第77-78页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第78-79页 |
| 致谢 | 第79页 |