隨著人工智能以及安全監(jiān)控的發(fā)展,室內(nèi)定位技術越發(fā)受到重視,成為當前的一大研究熱點。傳統(tǒng)的室內(nèi)定位方法存在測距以及定位精度較低,定位結果不穩(wěn)定等問題。針對上述問題,本文結合機器學習算法完成了信號測距模型,室內(nèi)定位模型以及室內(nèi)定位信息融合的研究。針對測距精度較低的問題,本文提出了GBDT(Gradient Boosting Decision Tree)測距模型;對于定位精度較低的問題,本文提出了基于GBDT模型迭代的室內(nèi)定位方法,以及給出基于信號強度值與閾值的賦權值比例方法;針對室內(nèi)定位不穩(wěn)定,定位結果存在奇異點的問題,結合其他傳感器定位方法進行了定位信息融合。首先,本文提出了一種基于機器學習GBDT算法的測距模型。首次引入機器學習提升類算法GBDT建立測距模型。依據(jù)信號在環(huán)境中傳播規(guī)律提取信號特征作為模型輸入,信號的傳播距離值為輸出訓練測距模型。引入體現(xiàn)信號波動性的方差與極差值作為測距模型的輸入特征。實驗結果表明,相比較近年提出的測距模型具有更好的測量精度。然后,在GBDT測距模型基礎上,提出了基于模型迭代的方法實現(xiàn)室內(nèi)定位。布置ZigBee信號發(fā)射端在室內(nèi)的已知位置上,作為信標節(jié)點;以...

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景與意義
    1.2 室內(nèi)定位技術研究現(xiàn)狀
    1.3 基于機器學習的定位方法研究現(xiàn)狀
    1.4 本文研究內(nèi)容與架構
第二章 室內(nèi)無線定位技術
    2.1 基于信號強度的定位技術
        2.1.1 基于信號強度測距的基本原理
        2.1.2 傳統(tǒng)基于信號強度定位技術原理
        2.1.3 基于信號強度指紋定位技術原理
    2.2 機器學習基本概念
        2.2.1 機器學習概述
        2.2.2 機器學習相關名詞解釋
    2.3 機器學習集成方法概述
        2.3.1 Bagging算法
        2.3.2 Boosting算法(提升算法)
    2.4 定位系統(tǒng)分析與傳感器介紹
        2.4.1 定位系統(tǒng)分析
        2.4.2 ZigBee定位技術
        2.4.3 RFID定位技術
    2.5 本章小結
第三章 基于GBDT與ZigBee的無線測距模型研究
    3.1 GBDT算法概述
        3.1.1 CART算法
        3.1.2 梯度提升樹方法(GradientBoostingDecisionTree)
    3.2 基于GBDT算法的無線信號測距模型
        3.2.1 GBDT測距模型概述
        3.2.2 GBDT測距模型預濾波處理
        3.2.3 GBDT測距模型前期數(shù)據(jù)分析
        3.2.4 GBDT測距模型的特征工程
    3.3 GBDT測距模型構建與實驗仿真
        3.3.1 GBDT測距模型構建
        3.3.2 GBDT測距模型仿真研究
    3.4 本章小結
第四章 基于模型迭代的室內(nèi)定位算法研究
    4.1 模型迭代定位算法的前期數(shù)據(jù)分析
    4.2 基于模型迭代的定位方法
    4.3 特征工程構建與賦權值比例算法
        4.3.1 特征工程的構建
        4.3.2 賦權值比例算法
    4.4 迭代定位模型的實驗與仿真
        4.4.1 實驗配置與實驗環(huán)境
        4.4.2 迭代定位模型的實驗仿真
    4.5 本章小結
第五章 基于信息融合的室內(nèi)定位方法研究
    5.1 基于信息融合的室內(nèi)定位方法概述
    5.2 開發(fā)環(huán)境與工具
    5.3 RFID定位實驗仿真并與ZigBee定位結合
        5.3.1 RFID串口通信的實現(xiàn)
        5.3.2 RFID定位實驗仿真
        5.3.3 RFID定位技術與ZigBee定位結合
    5.4 本章小結
第六章 總結與展望
    6.1 本文工作總結
    6.2 未來研究展望
參考文獻
致謝
作者簡介



本文編號：3889847