基于路测数据机器学习的定位方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景和研究意义 | 第10-11页 |
| 1.1.1 课题的来源 | 第10页 |
| 1.1.2 课题研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 LBS的发展与研究现状 | 第11-12页 |
| 1.2.2 无线定位技术研究现状 | 第12-14页 |
| 1.3 机器学习的发展与广泛应用 | 第14-17页 |
| 1.3.1 机器学习简介及研究现状 | 第14-15页 |
| 1.3.2 机器学习分类和应用 | 第15-17页 |
| 1.4 本文简述 | 第17-19页 |
| 1.4.1 论文的研究内容与创新点 | 第17页 |
| 1.4.2 论文结构安排 | 第17-19页 |
| 第二章 路测数据介绍与预处理 | 第19-28页 |
| 2.1 路测数据介绍 | 第19-22页 |
| 2.1.1 路测设备及采集数据类型介绍 | 第19-20页 |
| 2.1.2 数据采集过程介绍 | 第20-21页 |
| 2.1.3 路测数据介绍 | 第21-22页 |
| 2.2 数据质量和数据清洗 | 第22-24页 |
| 2.2.1 数据质量 | 第22页 |
| 2.2.2 数据清洗 | 第22-24页 |
| 2.3 数据归一化及去噪自编码器 | 第24-27页 |
| 2.3.1 数据归一化模型 | 第25-26页 |
| 2.3.2 去噪自编码器 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于DNN算法的定位方法 | 第28-40页 |
| 3.1 DNN算法离线学习 | 第28-33页 |
| 3.1.1 DNN算法原理 | 第28-30页 |
| 3.1.2 DNN算法处理信号数据 | 第30-31页 |
| 3.1.3 BP算法求解神经网络 | 第31-33页 |
| 3.2 测试数据在线定位 | 第33-35页 |
| 3.2.1 测试数据划分 | 第33-35页 |
| 3.2.2 测试数据在线定位算法 | 第35页 |
| 3.3 DNN算法定位结果分析 | 第35-39页 |
| 3.3.1 定位性能的评价标准 | 第35-36页 |
| 3.3.2 定位结果分析 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于SVR算法的定位方法 | 第40-50页 |
| 4.1 SVM算法原理 | 第40-46页 |
| 4.1.1 线性分类原理 | 第40-42页 |
| 4.1.2 最大间隔分类器 | 第42-43页 |
| 4.1.3 对偶问题 | 第43-44页 |
| 4.1.4 SMO算法 | 第44-45页 |
| 4.1.5 线性不可分与核函数 | 第45-46页 |
| 4.2 SVR算法在线定位 | 第46-49页 |
| 4.2.1 SVR定位算法 | 第46-48页 |
| 4.2.2 SVR定位结果分析 | 第48-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第五章 基于k-NN算法的定位方法 | 第50-55页 |
| 5.1 k-NN算法原理 | 第50-51页 |
| 5.1.1 k-NN算法基本原理 | 第50页 |
| 5.1.2 距离的计算标准 | 第50-51页 |
| 5.2 k-NN算法结果分析 | 第51-54页 |
| 5.2.1 定位算法思路 | 第51-52页 |
| 5.2.2 定位结果分析 | 第52-54页 |
| 5.3 本章小结 | 第54-55页 |
| 第六章 定位方法对比分析 | 第55-58页 |
| 6.1 DNN定位算法性能分析与优化 | 第55-56页 |
| 6.1.1 训练缓慢的原因与改进 | 第55-56页 |
| 6.1.2 过拟合的原因与改进 | 第56页 |
| 6.2 SVR定位算法性能分析 | 第56-57页 |
| 6.3 k-NN定位算法性能分析 | 第57页 |
| 6.4 本章小结 | 第57-58页 |
| 第七章 总结与展望 | 第58-60页 |
| 7.1 总结 | 第58页 |
| 7.2 展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 附录 | 第66页 |
