| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 室内定位技术的国内外研究现状 | 第10-13页 |
| 1.2.1 典型的室内定位技术 | 第10-11页 |
| 1.2.2 基于Wi-Fi的室内定位技术 | 第11-12页 |
| 1.2.3 基于机器学习的室内Wi-Fi定位技术 | 第12-13页 |
| 1.3 本文的主要内容及章节安排 | 第13-15页 |
| 第二章 基于机器学习的室内Wi-Fi定位技术的相关理论 | 第15-29页 |
| 2.1 基于指纹匹配的定位算法 | 第15-20页 |
| 2.1.1 确定型指纹定位算法 | 第16-17页 |
| 2.1.2 EWKNN算法 | 第17页 |
| 2.1.3 概率型指纹定位算法 | 第17-18页 |
| 2.1.4 基于混合高斯模型的指纹定位算法 | 第18-20页 |
| 2.2 室内Wi-Fi定位技术相关的机器学习方法 | 第20-28页 |
| 2.2.1 神经网络概述 | 第20-23页 |
| 2.2.2 栈式自编码 | 第23-26页 |
| 2.2.3 多任务学习概述 | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 基于混合瑞利模型的指纹定位算法 | 第29-42页 |
| 3.1 接收信号能量的概率密度分布 | 第29-31页 |
| 3.2 基于混合瑞利模型的指纹定位算法概述 | 第31页 |
| 3.3 接收信号能量的混合瑞利模型参数估计 | 第31-32页 |
| 3.4 基于混合瑞利模型的指纹定位算法验证及分析 | 第32-41页 |
| 3.4.1 定位系统功能概述 | 第33页 |
| 3.4.2 定位系统的硬件平台介绍 | 第33页 |
| 3.4.3 定位系统的软件架构 | 第33-34页 |
| 3.4.4 定位系统的模块设计 | 第34-39页 |
| 3.4.5 实验环境搭建 | 第39-40页 |
| 3.4.6 定位算法性能比较 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于混合瑞利模型的指纹定位算法在稀疏数据集上的应用 | 第42-51页 |
| 4.1 UJIIndoorLoc数据集 | 第42-43页 |
| 4.2 稀疏数据集上的RMM指纹定位算法概述 | 第43-49页 |
| 4.2.1 楼及楼层分类 | 第44-45页 |
| 4.2.2 层内区域划分 | 第45-48页 |
| 4.2.3 小区域AP集合筛选 | 第48页 |
| 4.2.4 测试集缺失值填补 | 第48-49页 |
| 4.3 稀疏数据集上的RMM指纹定位算法性能分析 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于多任务学习的深度神经网络定位算法 | 第51-57页 |
| 5.1 稀疏数据集上的MT深度神经网络定位算法概述 | 第51-54页 |
| 5.2 稀疏数据集上的MT深度神经网络定位算法性能分析 | 第54-56页 |
| 5.3 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 全文总结 | 第57页 |
| 6.2 前景展望 | 第57-59页 |
| 参考文献 | 第59-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间发表的学术论文目录 | 第62页 |
