基于机器学习理论的室内定位算法的改进与研究
致谢 | 第5-6页 |
摘要 | 第6-7页 |
ABSTRACT | 第7-8页 |
1 引言 | 第11-17页 |
1.1 研究背景及意义 | 第11-12页 |
1.2 研究现状和面临的挑战 | 第12-14页 |
1.3 论文研究内容和章节安排 | 第14-17页 |
2 室内定位技术概述 | 第17-27页 |
2.1 相关概念 | 第17页 |
2.2 基本定位方法 | 第17-22页 |
2.2.1 几何法 | 第18-20页 |
2.2.2 近似法 | 第20-21页 |
2.2.3 场景分析法 | 第21页 |
2.2.4 几种基本定位方法比较分析 | 第21-22页 |
2.3 基于位置指纹的室内定位模型 | 第22-24页 |
2.3.1 离线阶段 | 第23页 |
2.3.2 在线阶段 | 第23-24页 |
2.4 室内定位算法中的机器学习 | 第24-26页 |
2.5 本章小结 | 第26-27页 |
3 基于机器学习的位置指纹室内定位模型 | 第27-47页 |
3.1 模型整体架构 | 第27-28页 |
3.2 数据预处理 | 第28-35页 |
3.2.1 数据滤波 | 第29-31页 |
3.2.2 仿真指纹数据库的生成 | 第31-32页 |
3.2.3 验证标准 | 第32页 |
3.2.4 算法仿真验证 | 第32-35页 |
3.3 AP选择算法 | 第35-45页 |
3.3.1 AP选择法 | 第36-38页 |
3.3.2 特征值提取法 | 第38-42页 |
3.3.3 算法仿真验证 | 第42-45页 |
3.4 本章小结 | 第45-47页 |
4 基于机器学习理论的室内定位算法 | 第47-79页 |
4.1 区域划分 | 第47-58页 |
4.1.1 训练点聚类 | 第47-52页 |
4.1.2 分簇修剪算法 | 第52页 |
4.1.3 算法仿真验证 | 第52-58页 |
4.2 基于SVM的分类模型 | 第58-68页 |
4.2.1 支持向量机 | 第58-61页 |
4.2.2 惩罚因子与核函数 | 第61-64页 |
4.2.3 基于粒子群算法的参数寻优 | 第64-66页 |
4.2.4 改进的粒子群算法 | 第66-68页 |
4.3 基于SVR的回归模型 | 第68-69页 |
4.4 基于仿真指纹数据的模型验证 | 第69-70页 |
4.5 基于实测指纹数据的模型验证 | 第70-78页 |
4.5.1 实测指纹数据库的生成 | 第70-72页 |
4.5.2 算法仿真验证 | 第72-78页 |
4.6 本章小结 | 第78-79页 |
5 结论 | 第79-81页 |
5.1 结论 | 第79-80页 |
5.2 创新点 | 第80页 |
5.3 展望 | 第80-81页 |
参考文献 | 第81-85页 |
作者简历及攻读硕士学位期间取得的研究成果 | 第85-89页 |
学位论文数据集 | 第89页 |