| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 引言 | 第15-16页 |
| 1.1.1 选题的背景和现实意义 | 第15页 |
| 1.1.2 国内外定位系统的发展和研究现状 | 第15-16页 |
| 1.2 室内定位技术和系统 | 第16-18页 |
| 1.2.1 室内定位技术 | 第16-17页 |
| 1.2.2 基于WLAN的室内定位系统 | 第17-18页 |
| 1.3 论文结构安排 | 第18-20页 |
| 第二章 WLAIN室内定位理论和影响因素 | 第20-38页 |
| 2.1 WLAN的基本原理 | 第20-21页 |
| 2.2 WLAN室内定位方法 | 第21-24页 |
| 2.3 基于RSSI的WLAN室内定位 | 第24-26页 |
| 2.4 室内定位算法 | 第26-33页 |
| 2.4.1 最近邻法 | 第26-27页 |
| 2.4.2 人工神经网络法 | 第27-29页 |
| 2.4.3 支持向量机算法 | 第29页 |
| 2.4.4 概率性匹配算法 | 第29-31页 |
| 2.4.5 粗定位实现方法 | 第31-33页 |
| 2.5 室内定位主要影响因素 | 第33-35页 |
| 2.6 定位追踪技术 | 第35-38页 |
| 2.6.1 标准卡尔曼滤波 | 第35-36页 |
| 2.6.2 标准粒子滤波 | 第36-38页 |
| 第三章 基于KPCA-RBF神经网络的室内定位算法 | 第38-55页 |
| 3.1 主成分分析 | 第38-39页 |
| 3.2 核主成分分析理论 | 第39-42页 |
| 3.2.1 核方法基本理论 | 第39-40页 |
| 3.2.2 核主成分分析 | 第40-42页 |
| 3.3 RBF神经网络 | 第42-46页 |
| 3.3.1 人工神经网络概述 | 第42-43页 |
| 3.3.2 RBF神经网络模型 | 第43-45页 |
| 3.3.3 RBF神经网络的学习算法 | 第45-46页 |
| 3.4 基于KPCA-RBF神经网络的室内定位算法 | 第46-54页 |
| 3.4.1 算法流程 | 第47-48页 |
| 3.4.2 实验环境的建立 | 第48-49页 |
| 3.4.3 实验数据处理过程 | 第49-51页 |
| 3.4.4 实验结果分析 | 第51-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 WLAN信号预处理算法比较 | 第55-64页 |
| 4.1 线性判别分析 | 第55页 |
| 4.2 核直接判别分析 | 第55-58页 |
| 4.2.1 核直接判别分析变换基本原理 | 第55-56页 |
| 4.2.2 核直接判别分析定位特征提取 | 第56-57页 |
| 4.2.3 定位特征的维数选择 | 第57-58页 |
| 4.3 核典型相关分析KCCA | 第58-59页 |
| 4.4 实验结果分析 | 第59-62页 |
| 4.5 本章小结 | 第62-64页 |
| 第五章 Android室内定位系统 | 第64-71页 |
| 5.1 系统架构 | 第64-65页 |
| 5.1.1 Android系统架构 | 第64-65页 |
| 5.1.2 Android组件 | 第65页 |
| 5.2 室内定位的实现 | 第65-67页 |
| 5.3 室内定位效果 | 第67-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 工作总结 | 第71页 |
| 6.2 后续工作展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第77-78页 |