| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 专用术语注释表 | 第10-12页 |
| 第一章 绪论 | 第12-15页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 研究现状 | 第13-14页 |
| 1.3 本文的研究内容 | 第14-15页 |
| 第二章 WiFi室内定位技术 | 第15-27页 |
| 2.1 WiFi技术基础知识 | 第15页 |
| 2.2 WiFi网络基本结构 | 第15-16页 |
| 2.3 WiFi信号的室内传播特性 | 第16-20页 |
| 2.3.1 WiFi信号室内传播的主要影响因素 | 第16-17页 |
| 2.3.2 几种常见的WiFi无线信号传播模型 | 第17-18页 |
| 2.3.3 RSS概率分布特性分析 | 第18-20页 |
| 2.4 WiFi室内定位技术 | 第20-25页 |
| 2.4.1 参数化室内定位技术 | 第21-23页 |
| 2.4.2 位置指纹定位法 | 第23-25页 |
| 2.4.3 几种典型室内定位方法的性能对比 | 第25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 基于聚类和特征提取的分布式室内定位算法 | 第27-45页 |
| 3.1 引言 | 第27-28页 |
| 3.2 基于聚类算法的指纹库划分 | 第28-35页 |
| 3.2.1 经典聚类算法 | 第28-30页 |
| 3.2.2 密度峰值和距离聚类算法及分布式实现 | 第30-35页 |
| 3.3 基于特征提取算法构建特征指纹空间 | 第35-40页 |
| 3.3.1 经典特征提取算法 | 第35-38页 |
| 3.3.2 基于奇异值分解的主成分分析算法的分布实现 | 第38-40页 |
| 3.4 在线阶段匹配算法 | 第40-43页 |
| 3.4.1 改进的近邻定位算法原理 | 第41-42页 |
| 3.4.2 分布式动态K近邻算法设计 | 第42-43页 |
| 3.5 基于CFSFDP和主成分分析的分布式定位算法模型 | 第43页 |
| 3.6 本章小结 | 第43-45页 |
| 第四章 算法仿真与实验分析 | 第45-63页 |
| 4.1 实验环境以及平台搭建 | 第45-49页 |
| 4.1.1 实验场景 | 第45-48页 |
| 4.1.2 Hadoop平台搭建 | 第48-49页 |
| 4.2 聚类效果分析 | 第49-53页 |
| 4.2.1 聚类算法分析 | 第49-52页 |
| 4.2.2 定位性能分析 | 第52-53页 |
| 4.3 特征提取效果分析 | 第53-55页 |
| 4.3.1 数据维度分析 | 第53-54页 |
| 4.3.2 定位性能分析 | 第54-55页 |
| 4.4 系统定位效果分析 | 第55-59页 |
| 4.4.1 在线阶段匹配算法性能分析 | 第55-58页 |
| 4.4.2 定位系统的定位性能分析 | 第58-59页 |
| 4.5 hadoop平台运行效率分析 | 第59-62页 |
| 4.5.1 离线阶段数据处理运行效率 | 第59-61页 |
| 4.5.2 在线阶段算法运行效率 | 第61-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-67页 |
| 附录 1 攻读硕士学位期间撰写的论文 | 第67-68页 |
| 附录 2 攻读硕士学位期间申请的专利 | 第68-70页 |
| 致谢 | 第70页 |