| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第13-32页 |
| 1.1 课题来源及背景 | 第13-15页 |
| 1.2 室内定位技术的国内外研究现状 | 第15-28页 |
| 1.2.1 典型的室内定位系统 | 第16-20页 |
| 1.2.2 WLAN室内定位技术分类 | 第20-22页 |
| 1.2.3 典型的WLAN指纹定位系统 | 第22-24页 |
| 1.2.4 WLAN指纹定位技术研究现状 | 第24-28页 |
| 1.3 WLAN指纹定位技术存在的问题 | 第28-30页 |
| 1.4 主要研究内容 | 第30-32页 |
| 第2章 WLAN指纹定位技术理论基础 | 第32-47页 |
| 2.1 WLAN指纹定位技术的基本原理和流程 | 第32-33页 |
| 2.2 RSS信号特性分析 | 第33-35页 |
| 2.2.1 不确定性特性分析 | 第33-35页 |
| 2.2.2 非线性特性分析 | 第35页 |
| 2.3 典型定位特征提取算法 | 第35-37页 |
| 2.3.1 线性主成分分析 | 第36页 |
| 2.3.2 线性判别分析 | 第36-37页 |
| 2.4 典型WLAN指纹定位算法 | 第37-44页 |
| 2.4.1 近邻法 | 第38-39页 |
| 2.4.2 最大似然概率法 | 第39-40页 |
| 2.4.3 核函数法 | 第40页 |
| 2.4.4 人工神经网络法 | 第40-42页 |
| 2.4.5 支持向量回归法 | 第42-44页 |
| 2.5 WLAN定位实验环境的建立 | 第44-46页 |
| 2.5.1 两种典型的实验环境 | 第44-45页 |
| 2.5.2 实验数据采集和Radio Map建立 | 第45-46页 |
| 2.6 本章小结 | 第46-47页 |
| 第3章 基于核直接判别分析与联合AP选择的定位算法 | 第47-72页 |
| 3.1 引言 | 第47-48页 |
| 3.2 联合AP选择算法 | 第48-50页 |
| 3.2.1 联合AP选择的必要性 | 第48页 |
| 3.2.2 基于最大化互信息准则的联合AP选择算法 | 第48-50页 |
| 3.3 基于核函数的学习算法概述 | 第50-54页 |
| 3.3.1 核函数的基本理论 | 第50-52页 |
| 3.3.2 核直接判别分析算法 | 第52-54页 |
| 3.4 核直接判别分析与联合AP选择的定位算法 | 第54-61页 |
| 3.4.1 算法概述 | 第54-55页 |
| 3.4.2 KDDA定位特征提取的动机 | 第55-57页 |
| 3.4.3 KDDA定位特征维数选取 | 第57-58页 |
| 3.4.4 KDDA核函数选取 | 第58页 |
| 3.4.5 基于SVR学习的定位函数构建 | 第58-60页 |
| 3.4.6 在线计算复杂度分析 | 第60-61页 |
| 3.5 实验与结果分析 | 第61-71页 |
| 3.5.1 实验设置 | 第62页 |
| 3.5.2 AP选择算法对比 | 第62-64页 |
| 3.5.3 定位特征提取算法对比 | 第64-66页 |
| 3.5.4 KDDA参数影响 | 第66-68页 |
| 3.5.5 参考点采集工作量影响 | 第68-70页 |
| 3.5.6 两种典型环境下的定位精度对比 | 第70-71页 |
| 3.6 本章小结 | 第71-72页 |
| 第4章 基于局部判别嵌入的定位算法 | 第72-91页 |
| 4.1 引言 | 第72-73页 |
| 4.2 流形学习 | 第73-77页 |
| 4.2.1 流形学习基本概念 | 第73-74页 |
| 4.2.2 两种典型流形学习算法 | 第74-75页 |
| 4.2.3 局部判别嵌入算法 | 第75-77页 |
| 4.3 基于LDE的WLAN室内定位算法 | 第77-80页 |
| 4.3.1 LDE定位特征提取的动机 | 第77-78页 |
| 4.3.2 LLDE-APS算法概述 | 第78-79页 |
| 4.3.3 LDE定位特征维数选取 | 第79页 |
| 4.3.4 LDE的邻域图构建参数 | 第79-80页 |
| 4.4 LLDE-APS算法的节能性能分析 | 第80-81页 |
| 4.5 实验与结果分析 | 第81-89页 |
| 4.5.1 实验设置 | 第81-82页 |
| 4.5.2 定位特征提取算法对比 | 第82-83页 |
| 4.5.3 定位特征维数影响 | 第83-85页 |
| 4.5.4 邻域图构建参数影响 | 第85-86页 |
| 4.5.5 算法在线计算复杂度对比 | 第86-88页 |
| 4.5.6 实时样本采集量影响 | 第88-89页 |
| 4.5.7 参考点采集工作量影响 | 第89页 |
| 4.6 本章小结 | 第89-91页 |
| 第5章 结合k均值聚类与SVM分类器的聚类分块算法 | 第91-109页 |
| 5.1 引言 | 第91-92页 |
| 5.2 聚类分块算法研究现状 | 第92-93页 |
| 5.3 直接稀疏核SVM分类器 | 第93-96页 |
| 5.3.1 DSK-SVC分类器原理 | 第94-95页 |
| 5.3.2 DSK-SVC分类器的实现过程 | 第95-96页 |
| 5.4 结合k均值聚类与DSK-SVC分类器的聚类分块算法 | 第96-103页 |
| 5.4.1 Radio Map去噪预处理 | 第97-100页 |
| 5.4.2 基于k均值聚类的自动区域划分 | 第100-101页 |
| 5.4.3 基于聚类中心先验知识的SVM两类分类器训练 | 第101-103页 |
| 5.5 实验与结果分析 | 第103-107页 |
| 5.5.1 聚类分块算法性能对比 | 第103-105页 |
| 5.5.2 分类器参数影响 | 第105-106页 |
| 5.5.3 聚类分块对定位精度影响 | 第106-107页 |
| 5.5.4 聚类分块对算法计算复杂度影响 | 第107页 |
| 5.6 本章小结 | 第107-109页 |
| 结论 | 第109-111页 |
| 参考文献 | 第111-121页 |
| 攻读博士学位期间所发表的论文及其它成果 | 第121-124页 |
| 致谢 | 第124-125页 |
| 个人简历 | 第125页 |
