基于机器学习的WiFi室内定位技术研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 论文选题背景及意义 | 第11-14页 |
| 1.1.1 论文选题的技术背景 | 第11-12页 |
| 1.1.2 室内定位技术的发展现状 | 第12-14页 |
| 1.2 主要研究工作及成果 | 第14-15页 |
| 1.3 论文的内容及结构概述 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第二章 WiFi定位系统实现方法 | 第17-35页 |
| 2.1 WiFi技术简介 | 第17-19页 |
| 2.1.1 WiFi技术起源及发展 | 第17-18页 |
| 2.1.2 WiFi技术框架 | 第18页 |
| 2.1.3 WiFi技术特点分析 | 第18-19页 |
| 2.2 无线定位技术简介 | 第19-23页 |
| 2.2.1 TOA到达时间法 | 第19-20页 |
| 2.2.2 TDOA到达时间差法 | 第20页 |
| 2.2.3 AOA到达角度法 | 第20-21页 |
| 2.2.4 RSSI接收信号强度法 | 第21-23页 |
| 2.3 指纹数据库两步定位法 | 第23-26页 |
| 2.3.1 场景构建 | 第24-25页 |
| 2.3.2 基于机器学习的结果匹配算法KNN | 第25页 |
| 2.3.3 优化匹配算法WKNN | 第25-26页 |
| 2.4 移动目标的追踪定位 | 第26-32页 |
| 2.4.1 目标跟踪技术 | 第27页 |
| 2.4.2 状态空间模型 | 第27-28页 |
| 2.4.3 贝叶斯估计 | 第28页 |
| 2.4.4 序贯重要性采样 | 第28-29页 |
| 2.4.5 蒙特卡洛算法 | 第29-30页 |
| 2.4.6 蒙特卡洛盒算法 | 第30-31页 |
| 2.4.7 粒子群优化采样过程 | 第31-32页 |
| 2.5 本章小结 | 第32-35页 |
| 第三章 聚类算法及其参数优化 | 第35-49页 |
| 3.1 机器学习算法简介 | 第35-36页 |
| 3.2 聚类算法简介 | 第36-40页 |
| 3.2.1 划分式聚类算法 | 第36-38页 |
| 3.2.2 层次式聚类算法 | 第38-40页 |
| 3.2.3 基于遗传算法的聚类算法 | 第40页 |
| 3.3 核模糊C均值(KFCM)聚类算法 | 第40-47页 |
| 3.3.1 基本算法 | 第40-42页 |
| 3.3.2 聚类目标个数k的优化 | 第42页 |
| 3.3.3 核函数径向作用范围σ的优化 | 第42-44页 |
| 3.3.4 模糊聚类性能的评价指标 | 第44-45页 |
| 3.3.5 应用Iris数据集对比聚类效果 | 第45-47页 |
| 3.4 本章小结 | 第47-49页 |
| 第四章 聚类技术在WiFi定位系统中的应用 | 第49-59页 |
| 4.1 测试环境及工具 | 第49-50页 |
| 4.2 指纹数据对定位精度的影响 | 第50-53页 |
| 4.2.1 WiFi接入点数量对定位精度的影响 | 第50-51页 |
| 4.2.2 参考点分布间隔对定位精度的影响 | 第51-53页 |
| 4.3 指纹数据库聚类管理结果 | 第53-55页 |
| 4.4 实验结果分析 | 第55-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 论文成果总结 | 第59-60页 |
| 5.2 工作展望 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间发表的学术论文 | 第68页 |
