| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1.绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 课题研究内容 | 第15-16页 |
| 1.4 论文创新点 | 第16-17页 |
| 1.5 论文组织结构 | 第17-18页 |
| 2.定位技术与方案 | 第18-20页 |
| 2.1 室外定位技术 | 第18页 |
| 2.2 室内定位技术 | 第18-19页 |
| 2.3 室内定位方案 | 第19-20页 |
| 3.WIFI定位方法 | 第20-33页 |
| 3.1 不基于RSS | 第20-25页 |
| 3.1.1 TOA(Time Of Arrival) | 第20-21页 |
| 3.1.2 TODA(Time Difference of Arrival) | 第21-23页 |
| 3.1.3 AOA(Angle of Arrival) | 第23-24页 |
| 3.1.4 PDR(Pedestrian Dead Reckoning) | 第24-25页 |
| 3.2 RSS算法 | 第25-31页 |
| 3.2.1 K近邻算法 | 第26-28页 |
| 3.2.2 神经网络 | 第28-29页 |
| 3.2.3 朴素贝叶斯分类器 | 第29-31页 |
| 3.2.4 支持向量机（Support Vector Machine) | 第31页 |
| 3.3 小结 | 第31-33页 |
| 4.理论基础 | 第33-38页 |
| 4.1 朴素贝叶斯分类器 | 第33页 |
| 4.2 支持向量机 | 第33-38页 |
| 4.2.1 Support Vector Machine | 第33-35页 |
| 4.2.2 Kernel Support Vector Machine | 第35-36页 |
| 4.2.3 Soft-SVM | 第36-38页 |
| 5.分层定位 | 第38-55页 |
| 5.1 数据准备 | 第38-39页 |
| 5.2 数据分析 | 第39-43页 |
| 5.3 定位算法 | 第43-48页 |
| 5.3.1 朴素贝叶斯分类器 | 第43-45页 |
| 5.3.2 干扰信号处理 | 第45-46页 |
| 5.3.3 支持向量机 | 第46-48页 |
| 5.4 算法流程图 | 第48页 |
| 5.5 结果展示 | 第48-55页 |
| 5.5.1 混合分层模型结果展示 | 第49-52页 |
| 5.5.2 支持向量机模型展示 | 第52-54页 |
| 5.5.3 本章小结 | 第54-55页 |
| 6.总结 | 第55-57页 |
| 6.1 研究工作总结 | 第55-56页 |
| 6.2 研究局限 | 第56页 |
| 6.3 展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-60页 |
