| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 室内定位技术研究现状 | 第16-18页 |
| 1.3 基于机器学习的定位方法研究现状 | 第18-19页 |
| 1.4 本文研究内容与架构 | 第19-21页 |
| 第二章 室内无线定位技术 | 第21-33页 |
| 2.1 基于信号强度的定位技术 | 第21-26页 |
| 2.1.1 基于信号强度测距的基本原理 | 第21-22页 |
| 2.1.2 传统基于信号强度定位技术原理 | 第22-25页 |
| 2.1.3 基于信号强度指纹定位技术原理 | 第25-26页 |
| 2.2 机器学习基本概念 | 第26-28页 |
| 2.2.1 机器学习概述 | 第26-27页 |
| 2.2.2 机器学习相关名词解释 | 第27-28页 |
| 2.3 机器学习集成方法概述 | 第28-30页 |
| 2.3.1 Bagging算法 | 第28-29页 |
| 2.3.2 Boosting算法(提升算法) | 第29-30页 |
| 2.4 定位系统分析与传感器介绍 | 第30-32页 |
| 2.4.1 定位系统分析 | 第30-31页 |
| 2.4.2 ZigBee定位技术 | 第31页 |
| 2.4.3 RFID定位技术 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于GBDT与ZigBee的无线测距模型研究 | 第33-49页 |
| 3.1 GBDT算法概述 | 第33-38页 |
| 3.1.1 CART算法 | 第33-35页 |
| 3.1.2 梯度提升树方法(GradientBoostingDecisionTree) | 第35-38页 |
| 3.2 基于GBDT算法的无线信号测距模型 | 第38-43页 |
| 3.2.1 GBDT测距模型概述 | 第38-39页 |
| 3.2.2 GBDT测距模型预滤波处理 | 第39-40页 |
| 3.2.3 GBDT测距模型前期数据分析 | 第40-42页 |
| 3.2.4 GBDT测距模型的特征工程 | 第42-43页 |
| 3.3 GBDT测距模型构建与实验仿真 | 第43-48页 |
| 3.3.1 GBDT测距模型构建 | 第43-44页 |
| 3.3.2 GBDT测距模型仿真研究 | 第44-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于模型迭代的室内定位算法研究 | 第49-61页 |
| 4.1 模型迭代定位算法的前期数据分析 | 第49-50页 |
| 4.2 基于模型迭代的定位方法 | 第50-51页 |
| 4.3 特征工程构建与赋权值比例算法 | 第51-54页 |
| 4.3.1 特征工程的构建 | 第51-52页 |
| 4.3.2 赋权值比例算法 | 第52-54页 |
| 4.4 迭代定位模型的实验与仿真 | 第54-59页 |
| 4.4.1 实验配置与实验环境 | 第54-55页 |
| 4.4.2 迭代定位模型的实验仿真 | 第55-59页 |
| 4.5 本章小结 | 第59-61页 |
| 第五章 基于信息融合的室内定位方法研究 | 第61-67页 |
| 5.1 基于信息融合的室内定位方法概述 | 第61页 |
| 5.2 开发环境与工具 | 第61-62页 |
| 5.3 RFID定位实验仿真并与ZigBee定位结合 | 第62-66页 |
| 5.3.1 RFID串口通信的实现 | 第62-63页 |
| 5.3.2 RFID定位实验仿真 | 第63-65页 |
| 5.3.3 RFID定位技术与ZigBee定位结合 | 第65-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-71页 |
| 6.1 本文工作总结 | 第67-68页 |
| 6.2 未来研究展望 | 第68-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 作者简介 | 第77-78页 |
