基于机器学习理论的室内RSSI定位算法的实现与性能分析
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 论文研究背景 | 第8-10页 |
| 1.1.1 室内定位发展背景 | 第8-9页 |
| 1.1.2 机器学习理论发展背景 | 第9-10页 |
| 1.2 本文研究内容 | 第10-12页 |
| 1.3 论文结构 | 第12-13页 |
| 第二章 RSSI位置指纹定位技术 | 第13-22页 |
| 2.1 RSSI信号模型 | 第13-14页 |
| 2.2 RSSI定位算法 | 第14-15页 |
| 2.2.1 NNSS定位算法 | 第14页 |
| 2.2.2 K-NNSS定位算法 | 第14-15页 |
| 2.2.3 权重系数算法 | 第15页 |
| 2.3 RSSI定位误差模型 | 第15-17页 |
| 2.4 RSSI定位仿真 | 第17-21页 |
| 2.4.1 实验环境 | 第17页 |
| 2.4.2 数据采集及预处理 | 第17-19页 |
| 2.4.3 仿真结果及误差分析 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 BP神经网络定位系统 | 第22-45页 |
| 3.1 神经网络概述 | 第22-28页 |
| 3.1.1 神经网络用途 | 第22页 |
| 3.1.2 神经元 | 第22-23页 |
| 3.1.3 S型神经元 | 第23-26页 |
| 3.1.4 BP神经网络 | 第26-28页 |
| 3.2 BP神经网络定位系统 | 第28-35页 |
| 3.2.1 神经网络定位系统结构 | 第28-29页 |
| 3.2.2 BP神经网络定位系统学习算法 | 第29-32页 |
| 3.2.3 BP神经网络定位实现 | 第32-35页 |
| 3.3 仿真与性能分析 | 第35-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 机器学习定位优化算法 | 第45-66页 |
| 4.1 随机梯度下降优化算法 | 第45-51页 |
| 4.1.1 随机梯度下降算法概述 | 第45-46页 |
| 4.1.2 随机梯度下降算法在定位中的应用 | 第46-51页 |
| 4.2 遗传优化算法 | 第51-56页 |
| 4.2.1 遗传算法概述 | 第51-53页 |
| 4.2.2 传优化算法在定位中的应用 | 第53-54页 |
| 4.2.3 仿真与性能分析 | 第54-56页 |
| 4.3 模拟退火算法 | 第56-63页 |
| 4.3.1 模拟退火算法概述 | 第57-59页 |
| 4.3.2 模拟退火算法在定位中的应用 | 第59-62页 |
| 4.3.3 仿真与性能分析 | 第62-63页 |
| 4.4 本章小结 | 第63-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 致谢 | 第71-72页 |
| 硕士期间发表论文情况 | 第72页 |
