| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 引言 | 第15-29页 |
| 1.1 课题来源 | 第15页 |
| 1.2 课题背景及研究意义 | 第15-17页 |
| 1.3 无设备定位发展现状 | 第17-23页 |
| 1.3.1 无线层析成像(RTI) | 第17-19页 |
| 1.3.2 基于机理模型的DFL | 第19-21页 |
| 1.3.3 基于机器学习的DFL | 第21-23页 |
| 1.4 超限学习机研究现状 | 第23-25页 |
| 1.5 DFL目前存在的问题与所面临的挑战 | 第25-26页 |
| 1.6 论文的主要研究工作和创新性成果 | 第26-27页 |
| 1.7 论文的组织结构 | 第27-28页 |
| 1.8 本章小结 | 第28-29页 |
| 2 基于链路参数化几何表示与特征提取的超限学习机无设备定位方法 | 第29-45页 |
| 2.1 超限学习机概述 | 第29-31页 |
| 2.2 受影响链路的几何表示 | 第31-32页 |
| 2.3 基于超限学习机的DFL | 第32-34页 |
| 2.4 性能测试 | 第34-44页 |
| 2.4.1 室外环境 | 第35-41页 |
| 2.4.2 室内环境 | 第41-44页 |
| 2.5 本章小结 | 第44-45页 |
| 3 基于残差补偿超限学习机的无设备定位方法 | 第45-58页 |
| 3.1 现有机器学习拟合方法的局限性 | 第45-46页 |
| 3.2 多层残差补偿机制的研究动机 | 第46-51页 |
| 3.3 残差补偿超限学习机 | 第51-53页 |
| 3.4 性能测试 | 第53-56页 |
| 3.5 讨论 | 第56-57页 |
| 3.6 本章小结 | 第57-58页 |
| 4 随机干扰下的鲁棒超限学习机无设备定位方法 | 第58-73页 |
| 4.1 基于高斯噪声建模的局限性 | 第58-59页 |
| 4.2 提高ELM对未知噪声数据建模能力的动机 | 第59-61页 |
| 4.3 R-ELM的目标函数 | 第61-63页 |
| 4.4 R-ELM的求解过程 | 第63-65页 |
| 4.5 性能测试 | 第65-71页 |
| 4.5.1 Benchmark数据 | 第65-70页 |
| 4.5.2 基于R-ELM的DFL | 第70-71页 |
| 4.6 讨论 | 第71-72页 |
| 4.7 本章小结 | 第72-73页 |
| 5 大规模复杂区域的分层递阶无设备定位方法 | 第73-86页 |
| 5.1 大规模DFL的分层递阶框架 | 第73-75页 |
| 5.2 基于ERC-ELM的目标位置估计 | 第75-77页 |
| 5.3 性能测试 | 第77-84页 |
| 5.3.1 实验环境 | 第77-79页 |
| 5.3.2 ERC-ELM性能验证 | 第79-81页 |
| 5.3.3 较小规模区域性能验证 | 第81-82页 |
| 5.3.4 大规模复杂区域性能验证 | 第82-84页 |
| 5.4 讨论 | 第84-85页 |
| 5.5 本章小结 | 第85-86页 |
| 6 基于多层概率超限学习机的无设备定位方法 | 第86-100页 |
| 6.1 ELM自编码器(ELM Autoencoder) | 第87-88页 |
| 6.2 MP-ELM的研究动机 | 第88-90页 |
| 6.3 MP-ELM介绍 | 第90-92页 |
| 6.4 基于MP-ELM的DFL的总体框架 | 第92-93页 |
| 6.5 性能测试 | 第93-98页 |
| 6.5.1 MP-ELM的参数设定 | 第93-95页 |
| 6.5.2 室内环境性能测试 | 第95-96页 |
| 6.5.3 室外环境性能测试 | 第96-98页 |
| 6.6 讨论 | 第98-99页 |
| 6.7 本章小结 | 第99-100页 |
| 7 结论与展望 | 第100-103页 |
| 7.1 本文总结 | 第100-101页 |
| 7.2 未来展望 | 第101-103页 |
| 参考文献 | 第103-115页 |
| 作者简历及在学研究成果 | 第115-118页 |
| 学位论文数据集 | 第118页 |