基于WiFi信号指纹和惯导的定位算法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 室内定位的现状分析 | 第9-10页 |
| 1.2.2 WiFi定位和惯导结合的定位研究现状 | 第10-12页 |
| 1.3 本文主要研究的内容及章节安排 | 第12-14页 |
| 2 室内定位相关技术基础 | 第14-21页 |
| 2.1 室内定位方法介绍 | 第14-16页 |
| 2.2 WiFi定位方法 | 第16-20页 |
| 2.2.1 基于时间/角度测量的定位 | 第16-17页 |
| 2.2.2 基于RSSI的定位技术 | 第17-20页 |
| 2.3 几种定位方法性能比较 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 惯导航迹推算模型步长的预测 | 第21-30页 |
| 3.1 PDR航迹推算模型 | 第21-24页 |
| 3.1.1 航迹推算原理 | 第21-22页 |
| 3.1.2 步长估计 | 第22页 |
| 3.1.3 步态检测 | 第22-24页 |
| 3.2 遗传优化的神经网络算法 | 第24-26页 |
| 3.2.1 神经网络算法 | 第24-25页 |
| 3.2.2 遗传算法优化神经网络权值阈值 | 第25-26页 |
| 3.3 实验仿真及误差分析 | 第26-29页 |
| 3.3.1 实验数据处理 | 第26-27页 |
| 3.3.2 实验仿真 | 第27-29页 |
| 3.3.3 优化算法误差分析 | 第29页 |
| 3.4 本章小结 | 第29-30页 |
| 4 融合算法的WiFi指纹定位 | 第30-43页 |
| 4.1 基于KNN算法的指纹定位 | 第30-31页 |
| 4.2 粒子滤波算法原理 | 第31-37页 |
| 4.2.1 粒子滤波算法及公式推导 | 第31-33页 |
| 4.2.2 重要性采样 | 第33-34页 |
| 4.2.3 粒子的权重推导 | 第34-35页 |
| 4.2.4 重采样 | 第35-36页 |
| 4.2.5 粒子滤波步骤 | 第36-37页 |
| 4.3 基于KNN算法及粒子滤波的融合定位 | 第37-42页 |
| 4.3.1 粒子运动模型 | 第37-38页 |
| 4.3.2 算法实现与仿真 | 第38-42页 |
| 4.4 本章小结 | 第42-43页 |
| 5 惯导修正WiFi指纹的定位方法 | 第43-50页 |
| 5.1 融合定位方法 | 第43-44页 |
| 5.2 实验算法仿真及误差分析 | 第44-47页 |
| 5.3 实例验证 | 第47-49页 |
| 5.3.1 离线数据的采集集指纹库的建立 | 第47-48页 |
| 5.3.2 实验测试结果 | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 6 总结与展望 | 第50-52页 |
| 6.1 论文总结 | 第50页 |
| 6.2 展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录 | 第56页 |
