基于机器学习算法的指纹匹配定位技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题背景及意义 | 第9-11页 |
| 1.1.1 选题背景 | 第9-10页 |
| 1.1.2 课题研究意义 | 第10-11页 |
| 1.1.3 课题来源 | 第11页 |
| 1.2 研究内容及成果 | 第11-13页 |
| 1.2.1 研究内容 | 第11-12页 |
| 1.2.2 研究成果 | 第12-13页 |
| 1.3 论文结构安排 | 第13-14页 |
| 第二章 蜂窝网定位技术概述 | 第14-24页 |
| 2.1 传统蜂窝网定位技术概述 | 第14-15页 |
| 2.2 常用的指纹匹配定位技术 | 第15-20页 |
| 2.2.1 确定性算法 | 第15-17页 |
| 2.2.2 概率型算法 | 第17-20页 |
| 2.3 基于机器学习算法的定位技术 | 第20-23页 |
| 2.3.1 基于支持向量机的定位技术 | 第20-21页 |
| 2.3.2 基于高斯混合模型的定位算法 | 第21-22页 |
| 2.3.3 基于神经网络模型的定位算法 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 蜂窝网快速定位算法 | 第24-38页 |
| 3.1 定位方案设计 | 第24-27页 |
| 3.1.1 实验场景介绍 | 第25-26页 |
| 3.1.2 算法框架设计 | 第26-27页 |
| 3.2 基站最大相似度算法 | 第27-30页 |
| 3.2.1 相似度判决标准 | 第27-28页 |
| 3.2.2 基站组合相似度计算 | 第28-30页 |
| 3.3 基于多分类模型的分区判决算法 | 第30-35页 |
| 3.3.1 区域切割模型 | 第31-33页 |
| 3.3.2 基于逻辑回归的分区判决模型 | 第33-35页 |
| 3.4 算法性能及实验结果 | 第35-37页 |
| 3.4.1 实验结果 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 众包数据下基于组合多学习器的定位算法 | 第38-56页 |
| 4.1 组合多学习器方法介绍 | 第39-40页 |
| 4.2 构造差异性的数据集 | 第40-43页 |
| 4.2.1 数据分布分析 | 第40-41页 |
| 4.2.2 基于时间顺序的数据切割方法 | 第41-43页 |
| 4.3 多库融合算法 | 第43-49页 |
| 4.3.1 最小误差期望函数 | 第43-46页 |
| 4.3.2 基于最小误差期望的高斯混合模型 | 第46-47页 |
| 4.3.3 多库融合算法 | 第47-49页 |
| 4.4 基于轨迹信息的结果融合方法 | 第49-52页 |
| 4.4.1 轨迹合成 | 第51-52页 |
| 4.4.2 轨迹信息融合算法 | 第52页 |
| 4.5 定位性能分析 | 第52-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第五章 结束语 | 第56-58页 |
| 5.1 论文工作总结 | 第56-57页 |
| 5.2 下一步的研究方向 | 第57-58页 |
| 附录 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 攻读研究生期间研究成果 | 第63页 |
