| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 选题研究背景及意义 | 第11-12页 |
| 1.2 室内定位技术的国内外研究现状 | 第12-18页 |
| 1.2.1 主流的室内定位技术概述 | 第12-16页 |
| 1.2.2 可见光室内定位研究现状及应用场景 | 第16-17页 |
| 1.2.3 卷积神经网络室内定位研究现状及应用场景 | 第17-18页 |
| 1.3 论文研究内容 | 第18-19页 |
| 1.4 论文组织结构 | 第19-20页 |
| 1.5 本章小结 | 第20-21页 |
| 第二章 基于可见光通信的室内定位算法研究 | 第21-29页 |
| 2.1 室内可见光通信的信道特性 | 第21-23页 |
| 2.1.1 LED特性及照明分布 | 第21-22页 |
| 2.1.2 室内可见光信道模型 | 第22-23页 |
| 2.1.3 噪声与信噪比分析 | 第23页 |
| 2.2 室内可见光定位算法 | 第23-27页 |
| 2.2.1 基于图像传感器的成像定位算法 | 第24-25页 |
| 2.2.2 基于PD的非成像定位算法 | 第25-27页 |
| 2.3 室内可见光定位算法比较 | 第27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 基于降维算法及接收信号强度的三维定位方法 | 第29-39页 |
| 3.1 可见光定位系统模型 | 第29-30页 |
| 3.2 基于降维算法的三维定位方法 | 第30-33页 |
| 3.3 仿真实现与结果分析 | 第33-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于卷积神经网络的室内定位方法 | 第39-57页 |
| 4.1 神经网络理论 | 第39-44页 |
| 4.1.1 神经元与前馈网络 | 第40-42页 |
| 4.1.2 误差反向传播算法 | 第42-44页 |
| 4.2 卷积神经网络 | 第44-46页 |
| 4.2.1 卷积神经网络神经元 | 第44-45页 |
| 4.2.2 卷积神经网络结构 | 第45-46页 |
| 4.3 基于VGG-16网络模型的室内定位 | 第46-53页 |
| 4.3.1 CNN模型设计 | 第47页 |
| 4.3.2 基于CNN的室内定位方法描述 | 第47页 |
| 4.3.3 数据集获取及预处理 | 第47-49页 |
| 4.3.4 卷积神经网络模型框架及模型学习 | 第49-51页 |
| 4.3.5 旋转不变池化算法 | 第51-53页 |
| 4.4 实验实现与结果分析 | 第53-55页 |
| 4.4.1 实验方案 | 第53-54页 |
| 4.4.2 实验结果与分析 | 第54-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 工作总结 | 第57页 |
| 5.2 工作展望 | 第57-59页 |
| 参考文献 | 第59-65页 |
| 缩略词对照表 | 第65-67页 |
| 致谢 | 第67-69页 |
| 攻读硕士期间所发表的学术论文目录 259 | 第69页 |