| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题研究的背景和意义 | 第11-12页 |
| 1.1.1 课题研究的背景 | 第11-12页 |
| 1.1.2 课题研究的意义 | 第12页 |
| 1.2 室内无线定位技术的国内外研究现状分析 | 第12-15页 |
| 1.2.1 国内外室内定位算法研究现状分析 | 第13页 |
| 1.2.2 国内外室内定位系统研究现状分析 | 第13-15页 |
| 1.3 WiFi技术的发展现状 | 第15-16页 |
| 1.3.1 WiFi的发展演进 | 第15页 |
| 1.3.2 WiFi无线网络的特点 | 第15-16页 |
| 1.4 本文的主要研究内容和章节安排 | 第16-18页 |
| 第2章 基于WiFi室内无线定位技术理论 | 第18-33页 |
| 2.1 室内定位技术概述 | 第18页 |
| 2.2 室内定位技术 | 第18-22页 |
| 2.2.1 常用室内定位技术 | 第18-22页 |
| 2.2.2 WiFi室内定位技术 | 第22页 |
| 2.2.3 室内定位技术对比分析 | 第22页 |
| 2.3 室内定位方法 | 第22-27页 |
| 2.3.1 TOA估计法 | 第22-23页 |
| 2.3.2 TDOA估计法 | 第23-24页 |
| 2.3.3 AOA估计法 | 第24-25页 |
| 2.3.4 RSS估计法 | 第25-26页 |
| 2.3.5 混合定位估计法 | 第26-27页 |
| 2.3.6 定位方法对比分析 | 第27页 |
| 2.4 室内定位算法 | 第27-30页 |
| 2.4.1 最邻近法 | 第27-28页 |
| 2.4.2 K最邻近法 | 第28页 |
| 2.4.3 加权K邻近算法 | 第28页 |
| 2.4.4 核函数法 | 第28-29页 |
| 2.4.5 BP神经网络 | 第29页 |
| 2.4.6 支持向量机算法 | 第29-30页 |
| 2.5 室内无线定位精度的主要影响因素 | 第30-31页 |
| 2.6 室内无线定位系统的主要性能指标 | 第31-32页 |
| 2.7 本章小结 | 第32-33页 |
| 第3章 影响室内无线定位系统性能关键因素分析 | 第33-41页 |
| 3.1 实验平台简介 | 第33-34页 |
| 3.1.1 软硬件实验环境 | 第33-34页 |
| 3.1.2 实地实验场景 | 第34页 |
| 3.2 接收信号强度的特性 | 第34-39页 |
| 3.2.1 RSS与位置之间的关系 | 第35页 |
| 3.2.2 RSS的概率分布情况 | 第35-36页 |
| 3.2.3 不同AP信号强度间相关性 | 第36-38页 |
| 3.2.4 人对接收信号强度的影响 | 第38-39页 |
| 3.3 机器学习训练样本采集 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于信号传播模型的室内无线定位方法 | 第41-57页 |
| 4.1 典型室内无线信号传播模型 | 第41-43页 |
| 4.1.1 线性距离路径损耗模型 | 第41-42页 |
| 4.1.2 对数距离路径损耗模型 | 第42页 |
| 4.1.3 衰减因子模型 | 第42-43页 |
| 4.1.4 MK模型 | 第43页 |
| 4.2 BP神经网络拟合无线信号传播模型 | 第43-52页 |
| 4.2.1 BP神经网络概述 | 第44-47页 |
| 4.2.2 RSS-d非线性函数关系 | 第47-48页 |
| 4.2.3 BP神经网络模型确定 | 第48-50页 |
| 4.2.4 BP神经网络拟合RSS-d效果验证 | 第50-52页 |
| 4.3 定位实现 | 第52-56页 |
| 4.3.1 三边质心算法 | 第52-53页 |
| 4.3.2 定位算法的仿真 | 第53-55页 |
| 4.3.3 定位算法的性能分析 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 基于位置指纹的室内无线定位方法 | 第57-77页 |
| 5.1 位置指纹法概述 | 第57-58页 |
| 5.2 支持向量机理论概述 | 第58-63页 |
| 5.2.1 支持向量机分类器的基本原理 | 第58-60页 |
| 5.2.2 支持向量机核函数选择 | 第60-61页 |
| 5.2.3 支持向量机参数确定 | 第61页 |
| 5.2.4 支持向量机分类器算法流程 | 第61-62页 |
| 5.2.5 支持向量机多分类问题转化成二分类问题 | 第62-63页 |
| 5.3 位置指纹室内定位方法流程设计 | 第63-69页 |
| 5.3.1 样本信号采集和预处理 | 第64-65页 |
| 5.3.2 定位子区域划分与Radio Map建立 | 第65-66页 |
| 5.3.3 样本数据训练和子区域判定 | 第66-68页 |
| 5.3.4 基于分区的SVM回归算法二次定位 | 第68-69页 |
| 5.3.5 基于分区的BP神经网络二次定位 | 第69页 |
| 5.4 定位方法性能分析 | 第69-76页 |
| 5.4.1 聚类分块数的选择 | 第69-72页 |
| 5.4.2 二次定位结果分析 | 第72-75页 |
| 5.4.3 聚类分块对定位结果的影响 | 第75-76页 |
| 5.5 本章小结 | 第76-77页 |
| 结论 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第83-84页 |
| 致谢 | 第84页 |