隨著無(wú)線通信技術(shù)快速發(fā)展和移動(dòng)智能終端廣泛普及,人們對(duì)基于室內(nèi)環(huán)境的位置服務(wù)需求日益增長(zhǎng),無(wú)論是在醫(yī)療、商業(yè)還是在緊急救援等公共安全領(lǐng)域都迫切需要室內(nèi)定位技術(shù)來(lái)提供優(yōu)質(zhì)的位置信息服務(wù)。在多種多樣的室內(nèi)定位技術(shù)中,基于WiFi的位置指紋定位法具有定位精度高、易實(shí)現(xiàn)、擴(kuò)展性強(qiáng)、覆蓋范圍廣和價(jià)格低廉等優(yōu)勢(shì),逐漸成為人們研究的熱點(diǎn)。因此,本文主要研究基于WiFi的位置指紋定位法,主要內(nèi)容如下:首先,對(duì)基于WiFi的位置指紋定位法與傳統(tǒng)的室內(nèi)定位算法的原理進(jìn)行介紹,并且分別對(duì)不同的定位方法分析對(duì)比,證明了基于WiFi的位置指紋定位方法的優(yōu)勢(shì)所在,為本文定位方法的選擇提供理論支持。其次,在指紋數(shù)據(jù)庫(kù)建立階段,介紹了影響無(wú)線信號(hào)傳播的多種因素,提出了改進(jìn)的綜合濾波算法,應(yīng)用該算法對(duì)采集的數(shù)據(jù)進(jìn)行濾波處理,搭建仿真實(shí)驗(yàn)平臺(tái),并與最大值濾波算法、高斯濾波算法和均值濾波算法進(jìn)行數(shù)據(jù)處理結(jié)果對(duì)比,結(jié)果表明所提算法處理后的RSSI值波動(dòng)范圍和方差均有所減小,提高了指紋庫(kù)的質(zhì)量。然后基于AP選擇,提出了KPCA算法對(duì)位置指紋庫(kù)進(jìn)行特征提取,并通過(guò)仿真實(shí)驗(yàn)與LE、ICA、LDA、PCA算法對(duì)比驗(yàn)證,實(shí)驗(yàn)結(jié)果表明K...

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 基于WiFi的室內(nèi)定位技術(shù)原理
    2.1 傳統(tǒng)的室內(nèi)定位算法介紹
        2.1.1 TOA定位技術(shù)
        2.1.2 TDOA定位技術(shù)
        2.1.3 AOA定位技術(shù)
        2.1.4 傳播模型法
    2.2 基于WiFi的位置指紋定位法
    2.3 幾種無(wú)線定位技術(shù)性能比較及選擇
    2.4 本章小結(jié)
第三章 影響WiFi室內(nèi)定位的關(guān)鍵因素研究
    3.1 影響因素
        3.1.1 多徑傳播
        3.1.2 建筑材料對(duì)信號(hào)傳播的影響
        3.1.3 人體朝向?qū)邮招盘?hào)強(qiáng)度的影響
        3.1.4 人流量對(duì)信號(hào)傳播的影響
        3.1.5 信號(hào)強(qiáng)度與傳播距離的關(guān)系
    3.2 指紋庫(kù)降噪處理
        3.2.1 最大值濾波處理
        3.2.2 高斯濾波算法
        3.2.3 均值濾波處理
        3.2.4 改進(jìn)的綜合濾波算法
    3.3 位置指紋特征提取
        3.3.1 LDA算法
        3.3.2 ICA算法
        3.3.3 LE算法
        3.3.4 PCA算法
        3.3.5 KPCA算法
    3.4 仿真指紋數(shù)據(jù)庫(kù)的生成
    3.5 驗(yàn)證標(biāo)準(zhǔn)
    3.6 算法仿真驗(yàn)證
        3.6.1 濾波降噪算法仿真結(jié)果與分析
        3.6.2 位置指紋數(shù)據(jù)特征提取算法仿真驗(yàn)證
    3.7 本章小結(jié)
第四章 基于WiFi的位置指紋定位算法研究
    4.1 指紋匹配算法
        4.1.1 最近鄰法
        4.1.2 K近鄰法
        4.1.3 加權(quán)K近鄰法
        4.1.5 支持向量機(jī)(SVM)
        4.1.6 最小二乘支持向量機(jī)(LSSVM)
    4.2 懲罰因子與核函數(shù)
    4.3 LSSVM參數(shù)優(yōu)化算法
        4.3.1 網(wǎng)格搜索算法
        4.3.2 基于粒子群的參數(shù)尋優(yōu)算法
        4.3.3 改進(jìn)的粒子群優(yōu)化算法
    4.4 基于仿真指紋數(shù)據(jù)的定位模型驗(yàn)證
    4.5 本章小結(jié)
第五章 實(shí)驗(yàn)驗(yàn)證與結(jié)果分析
    5.1 實(shí)驗(yàn)場(chǎng)景布置
    5.2 建立位置指紋數(shù)據(jù)庫(kù)
    5.3 算法仿真驗(yàn)證
        5.3.1 濾波算法性能對(duì)比
        5.3.2 采樣次數(shù)對(duì)定位誤差的影響
        5.3.3 參數(shù)尋優(yōu)算法比較
        5.3.4 基于真實(shí)環(huán)境平臺(tái)的定位算法性能對(duì)比
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷、在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文



本文編號(hào)：3797411