| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究的背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 室内定位方法研究现状 | 第11-12页 |
| 1.2.2 位置指纹方法研究现状 | 第12-13页 |
| 1.2.3 iBeacon技术室内定位研究现状 | 第13-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文结构安排 | 第15-16页 |
| 第2章 室内定位技术 | 第16-25页 |
| 2.1 传统的室内无线定位方法剖析 | 第16-20页 |
| 2.2 基于iBeacon技术的位置指纹室内定位方法 | 第20-23页 |
| 2.2.1 基于位置指纹的室内定位方法 | 第21-23页 |
| 2.2.2 基于iBeacon的低功耗蓝牙技术特点 | 第23页 |
| 2.3 影响位置指纹定位性能的关键因素分析 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 室内Beacon的RSSI分布特征研究 | 第25-40页 |
| 3.1 实验平台及环境 | 第25-27页 |
| 3.2 RSSI信号数据预处理 | 第27-30页 |
| 3.2.1 高斯滤波的RSSI预处理 | 第27-28页 |
| 3.2.2 卡尔曼滤波的RSSI预处理 | 第28-30页 |
| 3.3 基站Beacon的RSSI室内分布特征 | 第30-39页 |
| 3.3.1 距离对Beacon的RSSI分布影响 | 第31-32页 |
| 3.3.2 人对Beacon的RSSI分布影响 | 第32-35页 |
| 3.3.3 基站Beacon之间RSSI的相关性 | 第35-37页 |
| 3.3.4 接收信号强度的概率分布 | 第37-39页 |
| 3.4 实验结果总结分析 | 第39-40页 |
| 第4章 基于iBeacon技术的位置指纹室内定位 | 第40-63页 |
| 4.1 基于K-means聚类的定位效率改进 | 第40-49页 |
| 4.1.1 聚类方法分析 | 第41-42页 |
| 4.1.2 K-means聚类处理 | 第42-44页 |
| 4.1.3 K-means聚类实验仿真 | 第44-47页 |
| 4.1.4 仿真实验结果分析 | 第47-49页 |
| 4.2 基于概率性算法的定位精度改进 | 第49-61页 |
| 4.2.1 传统的概率性算法 | 第49-52页 |
| 4.2.2 高斯混合模型的概率性算法改进 | 第52-57页 |
| 4.2.3 基于Android系统的定位实验及结果分析 | 第57-61页 |
| 4.3 本章小结 | 第61-63页 |
| 第5章 总结与展望 | 第63-65页 |
| 5.1 论文总结 | 第63-64页 |
| 5.2 研究展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-68页 |
