| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究的背景和意义 | 第9-11页 |
| 1.2 国内外定位技术研究现状 | 第11-16页 |
| 1.2.1 室内定位技术概述 | 第11-13页 |
| 1.2.2 国内外研究现状 | 第13-16页 |
| 1.3 本文的研究内容 | 第16页 |
| 1.4 本文的结构安排 | 第16-17页 |
| 第二章 室内地标识别系统的架构设计分析 | 第17-20页 |
| 2.1 引言 | 第17页 |
| 2.2 问题描述与可行性 | 第17-19页 |
| 2.3 地标识别系统架构设计 | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 Android智能手机采样系统的设计与实现 | 第20-32页 |
| 3.1 引言 | 第20页 |
| 3.2 Android的开发特点 | 第20页 |
| 3.3 Android智能手机传感器 | 第20-27页 |
| 3.4 传感器数据采集程序设计 | 第27-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 数据处理 | 第32-36页 |
| 4.1 引言 | 第32页 |
| 4.2 用户行走活动检测 | 第32-33页 |
| 4.3 地磁干扰检测 | 第33页 |
| 4.4 用户行走方向变化检测 | 第33-35页 |
| 4.5 本章小结 | 第35-36页 |
| 第五章 室内地标识别 | 第36-51页 |
| 5.1 引言 | 第36页 |
| 5.2 特征提取 | 第36-43页 |
| 5.2.1 地标特征分析 | 第36-37页 |
| 5.2.2 多模态感知信号量化 | 第37-38页 |
| 5.2.3 特征提取软件设计 | 第38-43页 |
| 5.3 基于机器学习的分类算法研究 | 第43-47页 |
| 5.3.1 机器学习简介 | 第43-44页 |
| 5.3.2 机器学习的研究主旨 | 第44页 |
| 5.3.3 Weka集成的分类算法 | 第44-47页 |
| 5.4 数据融合 | 第47-50页 |
| 5.4.1 数据融合的定义及现状 | 第47-48页 |
| 5.4.2 数据融合基本原理 | 第48页 |
| 5.4.3 数据融合的分类 | 第48-49页 |
| 5.4.4 决策层融合 | 第49-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第六章 系统功能测试与实验结果分析 | 第51-66页 |
| 6.1 引言 | 第51页 |
| 6.2 系统功能方面测试 | 第51-54页 |
| 6.3 数据采集实验 | 第54-57页 |
| 6.3.1 实验简介 | 第54-56页 |
| 6.3.2 实验过程 | 第56-57页 |
| 6.4 分类和识别结果 | 第57-65页 |
| 6.4.1 机器学习Weka分类原理 | 第57-58页 |
| 6.4.2 地标检测的评估指标 | 第58页 |
| 6.4.3 分类/识别结果 | 第58-65页 |
| 6.5 本章小结 | 第65-66页 |
| 第七章 总结和展望 | 第66-67页 |
| 7.1 工作总结 | 第66页 |
| 7.2 研究展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士期间研究成果 | 第73页 |