论文创新点 | 第5-6页 |
摘要 | 第6-8页 |
Abstract | 第8-9页 |
1 绪论 | 第13-28页 |
1.1 研究背景 | 第13-22页 |
1.1.1 移动计算 | 第13-16页 |
1.1.2 GPS与其他全球定位系统 | 第16-19页 |
1.1.3 WLAN | 第19-22页 |
1.2 研究意义 | 第22-25页 |
1.2.1 大型室内公共场所 | 第22-23页 |
1.2.2 矿井 | 第23-24页 |
1.2.3 校园 | 第24-25页 |
1.3 主要研究内容与创新点 | 第25-27页 |
1.3.1 主要研究内容 | 第25-26页 |
1.3.2 主要创新点 | 第26-27页 |
1.4 论文安排 | 第27-28页 |
2 相关工作与本文实验环境 | 第28-35页 |
2.1 已有的室内定位系统 | 第28-30页 |
2.2 基于无线信号传播模型的室内定位方法 | 第30-31页 |
2.3 基于指纹数据库的室内定位方法 | 第31-33页 |
2.4 本文的实验环境 | 第33-35页 |
3 基于WLAN的室内定位算法介绍 | 第35-58页 |
3.1 基于模型的室内定位方法 | 第35-41页 |
3.1.1 无线信号传播特性 | 第35-39页 |
3.1.2 三边测量法 | 第39-41页 |
3.1.3 基于模型的室内定位方法的优缺点 | 第41页 |
3.2 基于指纹数据库的室内定位方法 | 第41-51页 |
3.2.1 KNN方法 | 第42-43页 |
3.2.2 HORUS | 第43-45页 |
3.2.3 差别自适应神经网络方法 | 第45-48页 |
3.2.4 KCCA方法 | 第48-51页 |
3.3 指纹数据库快速搜索方法 | 第51-58页 |
3.3.1 最大信号强度值聚类算法 | 第51-53页 |
3.3.2 DMS搜索算法 | 第53-58页 |
4 基于多高斯混合模型的WLAN室内定位系统 | 第58-71页 |
4.1 引言 | 第58-59页 |
4.2 多高斯混合模型构建指纹数据库 | 第59-66页 |
4.2.1 多高斯混合模型 | 第60页 |
4.2.2 EM算法 | 第60-62页 |
4.2.3 算法初始化 | 第62-66页 |
4.3 基于多高斯混合模型的WLAN室内定位方法 | 第66-68页 |
4.3.1 室内定位算法详细描述 | 第66-68页 |
4.3.2 算法实时复杂度分析 | 第68页 |
4.4 实验结果与分析 | 第68-70页 |
4.5 小结 | 第70-71页 |
5 室内定位系统中指纹数据库的聚类方法研究. | 第71-83页 |
5.1 引言 | 第71-72页 |
5.2 k-均值聚类算法 | 第72-74页 |
5.3 SOM算法 | 第74-76页 |
5.4 提出的室内定位系统指纹数据库聚类算法 | 第76-80页 |
5.4.1 指纹数据库聚类算法 | 第76-78页 |
5.4.2 指纹数据库聚类算法与室内定位系统的结合 | 第78-80页 |
5.5 实验结果与分析 | 第80-81页 |
5.6 小结 | 第81-83页 |
6 一种基于混合滤波器的WLAN室内跟踪系统 | 第83-107页 |
6.1 引言 | 第83-84页 |
6.2 卡尔曼滤波器 | 第84-93页 |
6.2.1 标准卡尔曼滤波器 | 第84-87页 |
6.2.2 扩展卡尔曼滤波器 | 第87-89页 |
6.2.3 无迹卡尔曼滤波器 | 第89-93页 |
6.3 粒子滤波器 | 第93-95页 |
6.3.1 标准粒子滤波器算法 | 第93-95页 |
6.3.2 粒子滤波器与无迹卡尔曼滤波器的区别 | 第95页 |
6.4 基于混合滤波器的室内定位跟踪算法 | 第95-103页 |
6.4.1 系统模型 | 第95-97页 |
6.4.2 基于混合滤波器的室内定位跟踪算法 | 第97-103页 |
6.5 实验结果与分析 | 第103-106页 |
6.5.1 实验设计 | 第103-104页 |
6.5.2 实验结果 | 第104-106页 |
6.6 小结 | 第106-107页 |
7 总结与展望 | 第107-109页 |
7.1 本文总结 | 第107-108页 |
7.2 今后的研究展望 | 第108-109页 |
参考文献 | 第109-116页 |
攻读博士学位期间发表的学术论文 | 第116-117页 |
致谢 | 第117页 |