| 致谢 | 第3-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 变量注释表 | 第21-23页 |
| 1 绪论 | 第23-50页 |
| 1.1 研究背景与意义 | 第23-26页 |
| 1.2 国内外研究进展 | 第26-45页 |
| 1.3 科学问题与研究目标 | 第45-48页 |
| 1.4 研究内容与章节安排 | 第48-50页 |
| 2 WiFi指纹定位的误差分析与质量控制 | 第50-82页 |
| 2.1 WiFi RSSI与其指纹定位原理 | 第50-54页 |
| 2.2 WiFi RSSI时空分布与测量误差改正 | 第54-61页 |
| 2.3 基于石川图和仿真平台的指纹定位影响因子分析 | 第61-80页 |
| 2.4 本章小结 | 第80-82页 |
| 3 基于UKF的WiFi/IMU融合室内位置感知 | 第82-96页 |
| 3.1 PDR定位原理 | 第82-85页 |
| 3.2 基于UKF算法的手机WiFi/IMU融合定位系统 | 第85-88页 |
| 3.3 顾及动静态的精度评估方法 | 第88-94页 |
| 3.4 本章小结 | 第94-96页 |
| 4 基于差分气压测高的室内楼层信息感知 | 第96-111页 |
| 4.1 气压测高原理 | 第96-100页 |
| 4.2 室内气压测高的可行性分析 | 第100-103页 |
| 4.3 差分气压测高辅助楼层判定 | 第103-109页 |
| 4.4 本章小结 | 第109-111页 |
| 5 基于多维情境特征的人类活动识别 | 第111-126页 |
| 5.1 从基于位置的服务到基于情境的服务 | 第111-115页 |
| 5.2 多维情境特征人类活动识别框架 | 第115-117页 |
| 5.3 多维情境特征框架验证 | 第117-125页 |
| 5.4 本章小结 | 第125-126页 |
| 6 多维情境活动识别的机器学习方法优选 | 第126-148页 |
| 6.1 分类算法优选 | 第126-134页 |
| 6.2 基于随机森林的多维情境活动识别 | 第134-137页 |
| 6.3 基于多维情境在线学习的活动识别） | 第137-146页 |
| 6.4 本章小结 | 第146-148页 |
| 7 结论与展望 | 第148-153页 |
| 7.1 结论 | 第148-150页 |
| 7.2 创新点 | 第150-151页 |
| 7.3 展望 | 第151-153页 |
| 参考文献 | 第153-167页 |
| 附录 缩略词表 | 第167-169页 |
| 作者简历 | 第169-173页 |
| 学位论文数据集 | 第173页 |