基于WLAN的位置指纹室内定位技术PDF电子书下载

第1章 引言 1

1.1 位置信息服务 1

1.2 LBS定位技术的发展 3

1.3 定位技术的新挑战 5

本章小结 6

第2章 位置服务与定位技术 7

2.1 定位技术的发展 7

2.2 无线局域网与室内定位 10

2.3 LBS的发展及应用 12

2.3.1 LBS的发展 12

2.3.2 LBS的应用 15

2.4 基于WLAN的室内定位技术 16

2.5 典型的室内定位系统 20

2.5.1 早期的室内定位系统 20

2.5.2 基于WLAN位置指纹的室内定位系统 21

本章小结 23

第3章 位置指纹和WLAN定位理论 24

3.1 WLAN室内定位技术 24

3.1.1 WLAN基本工作原理 24

3.1.2 基本定位方法 26

3.2 位置指纹定位技术 30

3.2.1 WLAN指纹定位基本工作原理 30

3.2.2 位置指纹数据库 32

3.2.3 位置指纹定位算法 36

本章小结 42

第4章 基于IDGD模型的定位算法 43

4.1 RSS的统计分布特性 44

4.1.1 RSS与位置匹配的关系 44

4.1.2 人对RSS的影响 44

4.1.3 接收器朝向对RSS的影响 48

4.1.4 样本数量对RSS的影响 50

4.2 基于IDGD模型的室内定位算法 54

4.2.1 RSS分布特征 54

4.2.2 双峰高斯模型 56

4.2.3 基于IDGD的室内定位算法 57

4.3 实验结果与分析 58

本章小结 60

第5章 RSS信号预处理 61

5.1 成分分析与核函数 62

5.1.1 Mercer定理 63

5.1.2 基于核的Fisher判别分析 64

5.1.3 核直接判别分析法（KD-LDA） 65

5.2 基于信息增益权重的AP选择算法 67

5.2.1 信息增益权重准则 68

5.2.2 信息增益计算 69

5.3 联合核直接判别和AP选择的定位算法 70

5.4 实验结果与分析 71

5.4.1 AP选择算法分析 72

5.4.2 特征选择算法分析 77

本章小结 80

第6章 基于机器学习的室内定位算法 81

6.1 聚类算法的研究现状 81

6.2 白化的RSS信号k-means聚类算法 82

6.2.1 数据预处理 85

6.2.2 参数设定 86

6.3 基于白化RSS信号的k-means聚类与SVR学习定位算法 86

6.4 实验结果与分析 89

6.4.1 聚类算法分析 89

6.4.2 SVR定位参数分析 93

6.4.3 算法复杂度分析 97

6.4.4 机器学习算法定位性能 98

本章小结 100

参考文献 101