| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-11页 |
| Contents | 第11-14页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 课题背景与研究意义 | 第14-16页 |
| 1.2 国内外室内定位的研究现状 | 第16-20页 |
| 1.3 论文主要研究内容及章节安排 | 第20-21页 |
| 第二章 室内无线定位技术理论基础 | 第21-31页 |
| 2.1 室内无线定位技术评价指标 | 第21-22页 |
| 2.2 室内定位方法分类及原理 | 第22-26页 |
| 2.2.1 AOA定位 | 第22-23页 |
| 2.2.2 TOA定位 | 第23-24页 |
| 2.2.3 TDOA定位 | 第24页 |
| 2.2.4 基于信号指纹定位 | 第24-26页 |
| 2.3 基于指纹的无线定位算法 | 第26-30页 |
| 2.3.1 k近邻算法 | 第26-27页 |
| 2.3.2 神经网络法 | 第27-29页 |
| 2.3.3 支持向量机法 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于RSS测距的神经网络室内定位算法 | 第31-44页 |
| 3.1 室内无线信号传播损耗分析 | 第31-34页 |
| 3.1.1 室内无线信道模型分析 | 第31-33页 |
| 3.1.2 室内无线信号传播损耗的处理 | 第33-34页 |
| 3.2 基于RBF神经网络的加权质心室内定位算法实现 | 第34-38页 |
| 3.2.1 RBF神经网络室内定位算法流程 | 第34-35页 |
| 3.2.2 基于RBF神经网络室内RSS值修正 | 第35-37页 |
| 3.2.3 加权三角形质心定位算法 | 第37-38页 |
| 3.3 仿真实验与结果分析 | 第38-43页 |
| 3.3.1 仿真实验步骤 | 第38页 |
| 3.3.2 实验结果分析 | 第38-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于支持向量机的室内指纹定位算法及其改进 | 第44-51页 |
| 4.1 算法的设计思路 | 第44-45页 |
| 4.2 基于支持向量机的室内定位技术 | 第45-48页 |
| 4.2.1 基于SVM分类的定位算法 | 第45-47页 |
| 4.2.2 基于SVM分类的改进定位算法 | 第47-48页 |
| 4.3 算法的测试与分析 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于嵌入式的室内定位系统实现 | 第51-65页 |
| 5.1 嵌入式技术 | 第51-52页 |
| 5.2 系统的硬件实现 | 第52-55页 |
| 5.2.1 硬件平台 | 第52-53页 |
| 5.2.2 嵌入式芯片 | 第53页 |
| 5.2.3 WIFI模块设计 | 第53-55页 |
| 5.3 系统软件设计 | 第55-60页 |
| 5.3.1 USB无线网卡驱动程序实现 | 第55-57页 |
| 5.3.2 应用程序实现 | 第57-60页 |
| 5.4 系统定位实现过程 | 第60-62页 |
| 5.4.1 离线训练阶段 | 第60-61页 |
| 5.4.2 在线定位阶段 | 第61-62页 |
| 5.5 实验场景 | 第62-63页 |
| 5.6 系统的测试结果与分析 | 第63-64页 |
| 5.7 本章小结 | 第64-65页 |
| 总结与展望 | 第65-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间的学术成果 | 第72-74页 |
| 致谢 | 第74页 |