基于卷积神经网络的车辆智能无线定位算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第12-24页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-20页 |
| 1.2.1 国外研究现状 | 第13-16页 |
| 1.2.2 国内研究现状 | 第16-20页 |
| 1.2.3 总结 | 第20页 |
| 1.3 论文主要内容 | 第20-22页 |
| 1.4 小结 | 第22-24页 |
| 2 相关理论 | 第24-52页 |
| 2.1 无线定位理论 | 第24-34页 |
| 2.1.1 概述 | 第24页 |
| 2.1.2 基于测距的无线定位方法 | 第24-30页 |
| 2.1.3 无需测距的无线定位方法 | 第30-32页 |
| 2.1.4 无线定位方法优缺点分析 | 第32-34页 |
| 2.2 深度学习理论 | 第34-51页 |
| 2.2.1 概述 | 第35页 |
| 2.2.2 卷积神经网络 | 第35-47页 |
| 2.2.3 受限玻尔兹曼机 | 第47-48页 |
| 2.2.4 深度置信网络 | 第48页 |
| 2.2.5 自动编码器 | 第48-49页 |
| 2.2.6 深度学习方法优缺点分析 | 第49-51页 |
| 2.3 小结 | 第51-52页 |
| 3 车辆定位实验数据预处理 | 第52-74页 |
| 3.1 实验数据准备 | 第52-61页 |
| 3.1.1 实验数据结构 | 第52-58页 |
| 3.1.2 实验数据提取 | 第58-61页 |
| 3.3 实验数据预处理 | 第61-69页 |
| 3.3.1 数据值问题 | 第61-62页 |
| 3.3.2 数据缺失问题 | 第62-69页 |
| 3.4 实验数据无线定位适用性分析 | 第69-73页 |
| 3.4.1 路侧节点信号覆盖范围分析 | 第69-72页 |
| 3.4.2 距离-损耗模型适用性分析 | 第72-73页 |
| 3.5 小结 | 第73-74页 |
| 4 基于CNN网络的车辆无线定位算法 | 第74-92页 |
| 4.1 CNN网络学习方式选择 | 第74-75页 |
| 4.2 CNN网络输入形式分析 | 第75-77页 |
| 4.3 CNN网络结构设计 | 第77-87页 |
| 4.3.1 卷积核尺寸分析 | 第77-79页 |
| 4.3.2 池化方式分析 | 第79-81页 |
| 4.3.3 网络层数分析 | 第81-83页 |
| 4.3.4 特征图数量分析 | 第83-85页 |
| 4.3.5 激活函数选择 | 第85-87页 |
| 4.4 基于CNN网络的无线定位算法设计 | 第87-91页 |
| 4.5 小结 | 第91-92页 |
| 5 无线定位算法实验验证 | 第92-108页 |
| 5.1 定位算法定位精度分析 | 第92-97页 |
| 5.1.1 定位精度分析 | 第92-94页 |
| 5.1.2 定位算法对比分析 | 第94-97页 |
| 5.2 定位算法鲁棒性分析 | 第97-106页 |
| 5.2.1 车辆行驶状态数据影响分析 | 第97-100页 |
| 5.2.2 网络输入形式影响分析 | 第100-103页 |
| 5.2.3 CNN网络参数敏感性分析 | 第103-106页 |
| 5.3 小结 | 第106-108页 |
| 6 总结与展望 | 第108-110页 |
| 6.1 总结 | 第108-109页 |
| 6.2 展望 | 第109-110页 |
| 参考文献 | 第110-113页 |
| 附录A | 第113-114页 |
| 索引 | 第114-115页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第115-117页 |
| 学位论文数据集 | 第117页 |
