| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-17页 |
| 1.1 课题研究的背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-15页 |
| 1.2.1 超宽带技术 | 第9-11页 |
| 1.2.2 超宽带系统测距技术 | 第11-12页 |
| 1.2.3 超宽带系统测距误差校正技术 | 第12-14页 |
| 1.2.4 超宽带系统定位技术 | 第14-15页 |
| 1.3 本文的主要研究内容 | 第15-17页 |
| 第2章 超宽带技术基础及系统模型 | 第17-27页 |
| 2.1 超宽带技术基础 | 第17-19页 |
| 2.1.1 超宽带信号的定义 | 第17页 |
| 2.1.2 超宽带信号的特点及实现方式 | 第17-19页 |
| 2.2 超宽带系统模型 | 第19-26页 |
| 2.2.1 信号的产生 | 第19-20页 |
| 2.2.2 信道模型 | 第20-25页 |
| 2.2.3 接收端超宽带信号的模型 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 基于TOA和信息熵的超宽带测距技术 | 第27-48页 |
| 3.1 经典的基于TOA的测距方法分析 | 第27-31页 |
| 3.1.1 非相干检测 | 第28-30页 |
| 3.1.2 相干检测 | 第30-31页 |
| 3.2 基于TOA和信息熵的超宽带测距技术 | 第31-44页 |
| 3.2.1 信息熵的基本概念 | 第31-32页 |
| 3.2.2 基于信息熵的TOA估计算法 | 第32-38页 |
| 3.2.3 门限设定的进一步探讨 | 第38-44页 |
| 3.3 实验仿真与分析 | 第44-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 基于支持向量机的误差校正技术 | 第48-72页 |
| 4.1 支持向量机基本理论 | 第48-55页 |
| 4.1.1 机器学习和统计学习理论 | 第48-50页 |
| 4.1.2 支持向量机分类理论 | 第50-54页 |
| 4.1.3 支持向量机回归理论 | 第54-55页 |
| 4.2 特征分析及选择 | 第55-62页 |
| 4.3 基于支持向量机的测距误差校正算法 | 第62-63页 |
| 4.3.1 直接校正算法 | 第62-63页 |
| 4.3.2 两步校正算法 | 第63页 |
| 4.4 实验仿真与分析 | 第63-71页 |
| 4.4.1 直接校正算法 | 第65-68页 |
| 4.4.2 两步校正算法 | 第68-71页 |
| 4.5 本章小结 | 第71-72页 |
| 第5章 超宽带系统的定位技术 | 第72-83页 |
| 5.1 传统定位算法 | 第72-75页 |
| 5.2 遗传算法 | 第75页 |
| 5.3 基于LSE和Taylor级数展开的联合定位算法 | 第75-77页 |
| 5.4 影响定位精度的因素分析 | 第77-79页 |
| 5.4.1 参考节点个数 | 第77-78页 |
| 5.4.2 测距误差 | 第78-79页 |
| 5.5 实验仿真与分析 | 第79-82页 |
| 5.6 本章小结 | 第82-83页 |
| 结论 | 第83-84页 |
| 参考文献 | 第84-91页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第91-93页 |
| 致谢 | 第93页 |