融合深度特征和GBDT特征的Wi-Fi室内定位算法研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第一章 绪论 | 第9-20页 |
| 1.1 研究背景及其意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 几种经典的室内定位技术 | 第10-12页 |
| 1.2.2 基于Wi-Fi的室内定位技术 | 第12-15页 |
| 1.2.2.1 三角定位法 | 第12-14页 |
| 1.2.2.2 指纹定位法 | 第14-15页 |
| 1.3 指纹定位法存在的问题 | 第15-16页 |
| 1.4 研究内容和组织结构 | 第16-20页 |
| 1.4.1 研究内容 | 第16-17页 |
| 1.4.2 主要贡献 | 第17-18页 |
| 1.4.3 组织结构 | 第18-20页 |
| 第二章 相关理论综述 | 第20-29页 |
| 2.1 指纹定位算法的原理 | 第20-21页 |
| 2.2 神经网络 | 第21-26页 |
| 2.2.1 神经元 | 第21-22页 |
| 2.2.2 感知器 | 第22页 |
| 2.2.3 多层感知器与BP算法 | 第22-24页 |
| 2.2.4 深度学习与自编码器 | 第24-26页 |
| 2.3 树模型 | 第26-28页 |
| 2.3.1 决策树 | 第26-27页 |
| 2.3.2 树的集成学习 | 第27-28页 |
| 2.4 多任务学习 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于多任务学习的特征提取算法 | 第29-43页 |
| 3.1 引言 | 第29-30页 |
| 3.2 栈式降噪自编码器 | 第30-31页 |
| 3.3 联合多任务降噪自编码器 | 第31-36页 |
| 3.3.1 整体框架 | 第32页 |
| 3.3.2 网络结构 | 第32-34页 |
| 3.3.3 激活函数 | 第34-35页 |
| 3.3.4 损失函数 | 第35-36页 |
| 3.4 实验与结果分析 | 第36-41页 |
| 3.4.1 实验环境 | 第36页 |
| 3.4.2 数据集 | 第36-38页 |
| 3.4.3 数据预处理 | 第38-39页 |
| 3.4.4 实验细节 | 第39-40页 |
| 3.4.5 结果分析 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 基于特征融合的Wi-Fi室内定位算法 | 第43-55页 |
| 4.1 引言 | 第43-44页 |
| 4.2 基于GBDT的Wi-Fi室内定位算法 | 第44-45页 |
| 4.3 基于特征融合的Wi-Fi室内定位算法 | 第45-50页 |
| 4.3.1 深度特征 | 第46-47页 |
| 4.3.2 GBDT特征 | 第47-48页 |
| 4.3.3 融合深度特征和GBDT特征的混合模型 | 第48-50页 |
| 4.4 实验与结果 | 第50-53页 |
| 4.4.1 实验环境 | 第50页 |
| 4.4.2 数据集 | 第50页 |
| 4.4.3 数据预处理 | 第50-51页 |
| 4.4.4 实验细节 | 第51页 |
| 4.4.5 结果分析 | 第51-53页 |
| 4.5 本章小结 | 第53-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 附录1 攻读硕士期间参加的科研项目 | 第62-63页 |
| 致谢 | 第63-64页 |
