| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 论文研究的背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文主要研究内容 | 第11页 |
| 1.4 论文的结构安排 | 第11-13页 |
| 第二章 室内定位技术 | 第13-28页 |
| 2.1 WiFi无线通信技术 | 第13页 |
| 2.2 基于WiFi信号强度的定位技术 | 第13-18页 |
| 2.2.1 几何法 | 第14-16页 |
| 2.2.2 近似法 | 第16-17页 |
| 2.2.3 场景法 | 第17页 |
| 2.2.4 常用室内定位方法的性能对比 | 第17-18页 |
| 2.3 位置指纹定位法 | 第18-22页 |
| 2.3.1 基于位置指纹识别的WiFi室内定位的原理 | 第18-20页 |
| 2.3.2 位置指纹的相似度计算 | 第20-21页 |
| 2.3.3 定位性能的评判标准 | 第21-22页 |
| 2.4 典型的基于位置指纹定位的匹配算法 | 第22-27页 |
| 2.4.1 最近邻算法（NN） | 第22-23页 |
| 2.4.2 KNN | 第23页 |
| 2.4.3 WKNN | 第23-24页 |
| 2.4.4 BP神经网络 | 第24-25页 |
| 2.4.5 朴素贝叶斯算法 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 数据挖掘技术 | 第28-33页 |
| 3.1 数据挖掘的简介 | 第28-29页 |
| 3.1.1 数据挖掘的基本概念 | 第28页 |
| 3.1.2 数据挖掘的任务 | 第28-29页 |
| 3.2 经典聚类算法简介 | 第29-31页 |
| 3.2.1 K均值（Kmeans）算法 | 第29-30页 |
| 3.2.2 凝聚层次聚类算法 | 第30-31页 |
| 3.2.3 DBSCAN聚类算法 | 第31页 |
| 3.3 数据挖掘与室内定位的结合 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 算法的改进与实验仿真分析 | 第33-68页 |
| 4.1 实验环境 | 第33-35页 |
| 4.1.1 AP点的布置 | 第34页 |
| 4.1.2 数据收集的软件平台 | 第34-35页 |
| 4.2 数据的预处理 | 第35-37页 |
| 4.2.1 数据预处理的原理 | 第35页 |
| 4.2.2 典型的滤波算法 | 第35-37页 |
| 4.3 常见匹配算法的性能分析 | 第37-47页 |
| 4.3.1 NN和KNN算法性能分析 | 第37-40页 |
| 4.3.2 WKNN算法性能分析 | 第40-42页 |
| 4.3.3 BP神经网络算法性能分析 | 第42-46页 |
| 4.3.4 三种算法定位性能对比 | 第46-47页 |
| 4.4 离线阶段对聚类算法的改进与分析 | 第47-56页 |
| 4.4.1 二分Kmeans聚类在指纹定位中的应用 | 第48-49页 |
| 4.4.2 不同分类数Q值下的二分Kmeans聚类分析 | 第49-52页 |
| 4.4.3 对二分Kmeans聚类算法的改进与分析 | 第52-56页 |
| 4.5 在线阶段匹配算法的改进与分析 | 第56-63页 |
| 4.5.1 基于加权欧氏距离的WKNN匹配算法 | 第57-58页 |
| 4.5.2 自适应K值的WKNN算法 | 第58-61页 |
| 4.5.3 针对聚类边界定位点的匹配算法改进 | 第61-63页 |
| 4.6 改进算法与传统WKNN性能对比 | 第63-67页 |
| 4.7 本章小结 | 第67-68页 |
| 第五章 系统的设计与算法的实现 | 第68-74页 |
| 5.1 算法应用的系统 | 第68页 |
| 5.2 定位服务系统的架构 | 第68-70页 |
| 5.2.1 系统架构各部分简介 | 第69页 |
| 5.2.2 基于服务器的系统架构的优点 | 第69-70页 |
| 5.3 定位服务系统的设计 | 第70-73页 |
| 5.3.1 客户端模块的设计与实现 | 第70-71页 |
| 5.3.2 服务器端的设计 | 第71页 |
| 5.3.3 数据库的设计 | 第71-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-78页 |
| 致谢 | 第78页 |
