隨著無(wú)線(xiàn)通信的高速發(fā)展和廣泛普及,基于移動(dòng)終端位置信息的服務(wù)在人們的生產(chǎn)生活中有著日趨重要的作用。由于衛(wèi)星定位精度受限于環(huán)境中的陰影效應(yīng)與非視距傳播條件,在室內(nèi)場(chǎng)景下不再適用,針對(duì)于復(fù)雜信道環(huán)境下的高精度定位問(wèn)題亟待解決�？紤]到Wi-Fi無(wú)線(xiàn)系統(tǒng)已廣泛部署,幾何定位技術(shù)的定位精度受限于精確的幾何參數(shù)測(cè)量,不僅對(duì)通信帶寬有極大需求也對(duì)移動(dòng)終端的硬件模塊性能有極大要求,人們?nèi)粘Ｍㄐ艞l件難以滿(mǎn)足。因此本文重點(diǎn)研究基于Wi-Fi無(wú)線(xiàn)系統(tǒng)的指紋定位技術(shù),為復(fù)雜信道環(huán)境中的高精度定位技術(shù)提出解決方案與建議。論文使用工業(yè)界現(xiàn)有的Intel 5300網(wǎng)絡(luò)適配器和修改驅(qū)動(dòng)器測(cè)量IEEE 802.11n信道狀態(tài)信息,分析多種特征以說(shuō)明實(shí)驗(yàn)平臺(tái)的可行性以及信道狀態(tài)信息作為指紋定位數(shù)據(jù)源的可行性。為了盡可能地增加信道狀態(tài)信息特征數(shù)量以提高定位精度,采用發(fā)射天線(xiàn)輪換測(cè)量的方法以模擬虛擬發(fā)射天線(xiàn)陣列。從實(shí)際定位應(yīng)用場(chǎng)景出發(fā),本文通過(guò)設(shè)計(jì)兩種信道狀態(tài)信息采集方案研究定位環(huán)境動(dòng)態(tài)變化對(duì)定位精度的影響。為了滿(mǎn)足定位系統(tǒng)的實(shí)時(shí)性需求,主成分分析法被提出用于對(duì)信道狀態(tài)信息數(shù)據(jù)集進(jìn)行特征維度壓縮以建立離線(xiàn)指紋庫(kù)。本文重點(diǎn)實(shí)現(xiàn)...

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 Wi-Fi定位技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀與發(fā)展趨勢(shì)
        1.2.1 研究現(xiàn)狀
            1.2.1.1 幾何定位
            1.2.1.2 指紋定位
        1.2.2 發(fā)展趨勢(shì)
    1.3 主要研究?jī)?nèi)容
    1.4 創(chuàng)新點(diǎn)與貢獻(xiàn)
    1.5 論文結(jié)構(gòu)安排
第二章 Wi-Fi 802.11n信道狀態(tài)信息的獲取實(shí)驗(yàn)
    2.1 實(shí)驗(yàn)平臺(tái)和環(huán)境
        2.1.1 實(shí)驗(yàn)設(shè)備和參數(shù)設(shè)置
        2.1.2 實(shí)驗(yàn)環(huán)境和場(chǎng)景
    2.2 實(shí)驗(yàn)數(shù)據(jù)獲取
        2.2.1 數(shù)據(jù)要求
        2.2.2 測(cè)量方法
    2.3 實(shí)驗(yàn)數(shù)據(jù)分析
        2.3.1 數(shù)據(jù)結(jié)構(gòu)
        2.3.2 數(shù)據(jù)特征
            2.3.2.1 幅度特征
            2.3.2.2 相位特征
            2.3.2.3 位置特征
            2.3.2.4 時(shí)間特征
            2.3.2.5 小結(jié)
        2.3.3 數(shù)據(jù)誤差
    2.4 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理
        2.4.1 樣本平均
        2.4.2 維度重排
        2.4.3 特征壓縮
    2.5 本章小結(jié)
第三章 基于信道狀態(tài)信息的指紋定位方法及原理
    3.1 K最近鄰
    3.2 人工神經(jīng)網(wǎng)絡(luò)
        3.2.1 神經(jīng)網(wǎng)絡(luò)基本模型
            3.2.1.1 前向傳播
            3.2.1.2 代價(jià)函數(shù)
            3.2.1.3 反向傳播
        3.2.2 超參數(shù)設(shè)置與選擇
            3.2.2.1 數(shù)據(jù)集劃分
            3.2.2.2 正則化模型
    3.3 度量學(xué)習(xí)
        3.3.1 大間隔最近鄰居基本原理
        3.3.2 優(yōu)化問(wèn)題的轉(zhuǎn)化與求解
    3.4 多樣本統(tǒng)計(jì)
    3.5 局部異常因子算法
    3.6 本章小結(jié)
第四章 定位結(jié)果與分析
    4.1 驗(yàn)證集選擇
    4.2 KNN與ANN定位結(jié)果與分析
        4.2.1 KNN超參數(shù)選擇
        4.2.2 ANN數(shù)據(jù)輸入格式
        4.2.3 ANN輸出坐標(biāo)處理
        4.2.4 ANN超參數(shù)選擇
        4.2.5 定位結(jié)果對(duì)比與分析
    4.3 度量學(xué)習(xí)應(yīng)用
        4.3.1 場(chǎng)景分析
        4.3.2 定位結(jié)果與分析
    4.4 多樣本統(tǒng)計(jì)定位與局部異常因子算法結(jié)果與分析
    4.5 算法復(fù)雜度分析
    4.6 結(jié)論
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 潛在研究
致謝
參考文獻(xiàn)



本文編號(hào)：3770929