首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--人工神经网络与计算论文

室内移动位置感知关键技术研究

摘要第4-6页
ABSTRACT第6-8页
缩略语第16-18页
第一章 绪论第18-28页
    1.1 研究背景第18-20页
    1.2 室内定位技术发展趋势及面临的挑战第20-22页
        1.2.1 室内定位技术发展趋势第20-21页
        1.2.2 本研究工作面临的主要挑战第21-22页
    1.3 研究内容与主要贡献第22-24页
    1.4 论文结构第24-28页
第二章 室内定位技术研究现状第28-44页
    2.1 射频定位技术第28-32页
        2.1.1 确定型射频指纹定位第28-29页
        2.1.2 概率型射频指纹匹配定位第29-30页
        2.1.3 基于射频信号多点定位技术第30-32页
    2.2 惯导定位技术第32-36页
        2.2.1 步伐检测第32-33页
        2.2.2 步长估计第33-35页
        2.2.3 运动方向估计第35-36页
    2.3 磁场定位技术第36-42页
        2.3.1 场特征挖掘技术第36-38页
        2.3.2 定位磁场图构建第38-39页
        2.3.3 磁场定位技术第39-42页
    2.4 本章小结第42-44页
第三章 考虑磁场强度指纹可区分度的复杂室内环境磁场位置特征提取方法第44-66页
    3.1 问题的引入第44-45页
    3.2 顾及软硬铁效应的地磁信号测量模型第45-50页
        3.2.1 室内磁场的空间可区分性及时间稳定性第45-46页
        3.2.2 复杂电磁环境下的磁力计测量模型第46-50页
    3.3 考虑磁场强度指纹可区分度的受干扰室内磁场位置特征挖掘第50-58页
        3.3.1 基于磁场强度指纹可区分度算法的位置指纹可区分度第50-53页
        3.3.2 基于时频变换的多种位置指纹提取方法第53-58页
    3.4 实验结果与分析第58-65页
        3.4.1 实验设置第58页
        3.4.2 室内磁场干扰源分析第58-59页
        3.4.3 多种位置指纹性能对比评估第59-65页
    3.5 本章小结第65-66页
第四章 基于CNN神经网络和位置指纹图像学习的室内定位方法第66-88页
    4.1 问题的引入第66-67页
    4.2 系统概述第67-69页
    4.3 位置标记点邻近特征分类与指纹图像构建第69-70页
        4.3.1 Wi-Fi与地磁信号特征概述第69页
        4.3.2 基于邻近检测的位置指纹分类第69-70页
        4.3.3 异构多通道位置指纹图像的构建第70页
    4.4 基于异构多通道位置指纹图像的CNN神经网络定位第70-80页
        4.4.1 定位CNN神经网络基本功能模块概述第71-72页
        4.4.2 基于有向无环图的多分支定位CNN第72-76页
        4.4.3 考虑提前停止辅助的定位神经网络分段训练技术第76-79页
        4.4.4 定位CNN神经网络时间复杂度分析第79-80页
    4.5 实验结果与分析第80-86页
        4.5.1 实验设置第80-81页
        4.5.2 训练方法对定位性能的影响第81-82页
        4.5.3 指纹长度对定位性能的评估第82-83页
        4.5.4 设备方向对定位性能的影响第83-84页
        4.5.5 新增设备适应性测试第84-85页
        4.5.6 不同用户定位性能测试第85-86页
        4.5.7 与现有定位算法对比第86页
    4.6 本章小结第86-88页
第五章 基于室内磁场质心特性的低开销高精度抗差惯导跟踪定位方法第88-124页
    5.1 问题的引入第88-90页
    5.2 系统概述第90-92页
    5.3 抗周期性干扰运动的鲁棒计步器算法第92-99页
        5.3.1 步伐事件的惯性特征分析第92-94页
        5.3.2 基于CNN神经网络的步伐检测系统架构第94-95页
        5.3.3 基于零速检测的真实步子提取第95-96页
        5.3.4 步伐检测CNN神经网络设计第96-99页
    5.4 基于遗传算法及方向滤波的增强型粒子运动模型第99-101页
        5.4.1 基于遗传算法的粒子动态步长估计第99-100页
        5.4.2 基于磁场方向偏差图修正的粒子运动方向估计第100-101页
    5.5 基于贝叶斯估计的UFH姿态检测算法第101-106页
        5.5.1 U姿态检测第102-103页
        5.5.2 UF姿态检测第103-105页
        5.5.3 UFH姿态贝叶斯检测模型第105-106页
    5.6 基于地磁质心特性的跟踪定位第106-110页
        5.6.1 地磁质心特性分析第106-108页
        5.6.2 姿态自适应的多维地磁指纹匹配算法第108-110页
    5.7 实验结果与分析第110-122页
        5.7.1 实验设置第110-111页
        5.7.2 真实步子提取性能第111页
        5.7.3 步伐检测CNN评估第111-113页
        5.7.4 姿态检测性能分析第113-114页
        5.7.5 运动模型性能评估第114-115页
        5.7.6 权值更新的关键参数对定位性能的影响第115-117页
        5.7.7 综合定位性能测试第117-122页
    5.8 本章小结第122-124页
第六章 总结与展望第124-128页
    6.1 工作总结第124-125页
    6.2 研究展望第125-128页
参考文献第128-142页
致谢第142-144页
攻读学位期间发表的学术论文目录第144-145页

论文共145页,点击 下载论文
上一篇:基于语义学习与时空特性的在线社交网络跨媒体搜索研究
下一篇:高分辨率密集视点裸眼三维(3D)显示关键技术的研究