| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 缩略词 | 第10-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及国内外研究现状 | 第14-17页 |
| 1.1.1 无线通信技术 | 第14-15页 |
| 1.1.2 无线定位技术 | 第15-17页 |
| 1.2 研究内容及意义 | 第17-18页 |
| 1.3 论文组织结构 | 第18页 |
| 1.4 数学符号说明 | 第18-20页 |
| 第二章 常见无线室内定位技术概述 | 第20-30页 |
| 2.1 室内定位中的物理层技术 | 第20-21页 |
| 2.1.1 超宽带技术 | 第20页 |
| 2.1.2 蓝牙技术 | 第20-21页 |
| 2.1.3 WiFi技术 | 第21页 |
| 2.2 室内定位中的测距定位算法 | 第21-25页 |
| 2.2.1 TOA定位法 | 第21-22页 |
| 2.2.2 DOA定位法 | 第22-24页 |
| 2.2.3 TDOA定位法 | 第24页 |
| 2.2.4 RSSI定位法 | 第24-25页 |
| 2.3 定位算法性能评价指标 | 第25-26页 |
| 2.3.1 均方误差 | 第25-26页 |
| 2.3.2 精度因子 | 第26页 |
| 2.3.3 定位复杂度 | 第26页 |
| 2.4 制约定位精度的主要问题 | 第26-28页 |
| 2.4.1 噪声 | 第26页 |
| 2.4.2 时钟同步 | 第26-27页 |
| 2.4.3 非视距传播 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 视距环境下基于调频连续波的TDOA室内定位技术 | 第30-54页 |
| 3.1 引言 | 第30页 |
| 3.2 基于调频连续波的测距技术 | 第30-34页 |
| 3.2.1 测距算法 | 第30-33页 |
| 3.2.2 性能仿真 | 第33-34页 |
| 3.3 基于TDOA的定位算法 | 第34-43页 |
| 3.3.1 直接求解 | 第34-35页 |
| 3.3.2 最小二乘求解 | 第35-37页 |
| 3.3.3 克拉美劳下界 | 第37-43页 |
| 3.4 二维场景中的双天线定位系统 | 第43-46页 |
| 3.4.1 标签端 | 第43-44页 |
| 3.4.2 基站端 | 第44-45页 |
| 3.4.3 服务器端 | 第45页 |
| 3.4.4 向三维场景的推广 | 第45-46页 |
| 3.5 系统仿真与参数分析 | 第46-52页 |
| 3.5.1 二维场景下的双天线定位算法仿真 | 第46-48页 |
| 3.5.2 三维场景下的多天线定位算法仿真 | 第48-49页 |
| 3.5.3 参数分析 | 第49-52页 |
| 3.6 本章小结 | 第52-54页 |
| 第四章 非视距环境下基于机器学习算法的室内定位技术 | 第54-72页 |
| 4.1 引言 | 第54页 |
| 4.2 基于机器学习算法的室内定位技术概述 | 第54-59页 |
| 4.2.1 机器学习算法简述 | 第54-55页 |
| 4.2.2 UJIIndoorLoc数据集 | 第55-56页 |
| 4.2.3 基于kNN的定位算法 | 第56-57页 |
| 4.2.4 性能仿真 | 第57-59页 |
| 4.3 一种基于全连接神经网络的递进式室内定位算法 | 第59-65页 |
| 4.3.1 传统kNN算法的不足 | 第59-60页 |
| 4.3.2 全连接神经网络分类模型 | 第60-62页 |
| 4.3.3 递进式室内定位算法 | 第62-63页 |
| 4.3.4 性能仿真 | 第63-65页 |
| 4.4 一种指纹库动态更新的改进kNN定位算法 | 第65-68页 |
| 4.4.1 时间上下文对定位性能的影响 | 第65-66页 |
| 4.4.2 指纹库动态更新的改进kNN定位算法 | 第66-67页 |
| 4.4.3 性能仿真 | 第67-68页 |
| 4.5 结合机器学习的Chirp-TDOA定位算法 | 第68-70页 |
| 4.6 本章小结 | 第70-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 论文总结 | 第72页 |
| 5.2 不足与展望 | 第72-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 攻读硕士学位期间发表的论文 | 第82页 |
