| 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 |
