一、手机无线定位的实现策略和误差（论文文献综述）
魏佳琛[1]（2021）在《NLOS环境下基于最优化理论的TDOA定位算法研究》文中指出随着信息产业的发展和进步,室内相较于室外占据了人们更多的活动时间,人们对室内高精度位置服务的需求也日趋增大,研究高精度、高性能的定位算法将对定位技术的发展起到关键的作用。5G移动通信技术在三大应用场景下可以达到更加精准的测距和测角精度,因此5G为无线定位算法在室内定位中的应用和发展提出了新的挑战和机遇。然而,室内定位场景建筑物布局复杂,无线信号容易因为信号的折射、反射而形成非视距传播,这将使得定位终端和基站的距离、角度等测量值产生较大的偏差,对位置估计的性能产生严重的影响。为了改善室内位置服务的性能,本文在室内场景中非视距传播存在的环境下,对时差定位算法展开研究。时差定位问题是典型的非线性非凸问题,通过非线性最小二乘优化和凸松弛等最优化思想对位置估计问题进行优化,进一步提高定位算法在复杂信号传播环境中的定位性能。具体的研究过程和内容如下:首先,本文提出了对传统Chan-Taylor组合位置估计方法的改进策略。在传统残差加权算法的基础上,通过最小残差原则改进基站组合的筛选规则,并在加权的过程中使用残差函数的高阶项代替原本的一阶项作为权值,使得不同信号特征的基站组合能有更大的区分度,改进残差加权算法的估计结果作为位置估计的初始值。在取得位置估计初始值的前提下,使用非线性最小二乘优化进行位置点的迭代寻优,先使用此初始值并结合最速下降法来补偿距离差观测量的偏差,从而构建出更加逼近真实问题的定位目标函数,而后使用信赖域算法对目标位置进行迭代求解。最后,将迭代结果和初始值进行残差加权,得到最终的定位结果。接着,本文针对严重非线性非凸的无线定位问题,提出了基于凸松弛改进的优化方法。在构建时差定位模型时将其等价表示为最大似然估计的形式,并使用二阶锥松弛算法对原问题进行凸松弛。同时,引入新的惩罚项将松弛后的约束条件进一步逼近原问题的约束,在一定程度上解决了凸松弛定位问题中可能出现的凸包问题。最后,将二次规划思想和Chan算法进行结合,提出了该经典算法在二次规划下的演进方法。为了提高算法在非视距条件下的定位精度和稳健性,本文采用距离观测量、基站和目标的几何关系以及最速下降法迭代作为二次规划的约束条件,提高了非视距环境下该算法的定位精度。最后,通过仿真实验对改进定位算法的性能进行评估,仿真结果表明,本文所提的定位算法和传统定位方法相比,定位精度和稳定性都有一定程度的提升。
邱成润[2]（2021）在《能量可收集定位系统下的目标检测》文中研究指明目标检测是计算机视觉中的一个基本问题,它可以为实例分割和姿态估计等许多视觉任务提供支持,但因为仅有图像信息在某些情况下准确度还有待提升。通过无线信号来获得定位信息可以用来得到需要被检测对象的数量和位置。随着物联网的发展,能量可收集无线通信得到了越来越广泛地应用,它可以帮助无线传感器从自然界中获得能源来驱动通信。本文将目标检测框架、无线定位装置和能量采集无线通信相结合,设计了一个目标检测系统。整个系统既满足了可以通过无线定位提升目标检测的准确度,又可以通过人/物佩戴的能量可收集无线通信设施向终端进行无线通信。本文的主要贡献如下:1.本文提出了一种基于深度确定性策略梯度（Deep Deterministic Policy Gradi-ent,DDPG）强化学习方法的无线通信功率分配算法。在能量可收集无线通信系统中,该算法在连续的状态空间与决策空间上,实现了一种基于状态的功率分配算法。与现有算法相比,该算法在长期优化平均净比特率方面能够取得更好的表现。2.本文提出了一个无线定位辅助的目标检测框架,将无线定位信息融入到最先进的目标检测方法中,包括基于锚点的一阶段目标检测器和两阶段目标检测器。本文从无线信号中提取无线定位和识别信息来辅助目标检测,从而大大减少了误报和漏报的问题。对于这两种检测器,本文都使用基于无线定位的置信度修正来提高检测性能。具体来说,对于两阶段检测方法,本文提出了一种额外的方法来利用无线定位产生的区域建议,而不是依赖于区域建议网络（Region Proposal Network,RPN）。在 Microsoft Common Objects in Context（MS COCO）和加州理工模拟行人数据集上的实验表明,该方法可以提高现有检测方法的平均精度（mean Average Precision,mAP）和漏检率。3.为了提高目标检测的效果,利用无线定位与识别信息,本文提出了一种结合无线定位信息约束的非最大值抑制方法,进一步抑制误检测,避免漏检。与普通的非最大值抑制方法相比,本文提出的非最大值抑制方法能够提供更好的平均精度和可视化结果。
张睿[3]（2020）在《干扰环境下无线定位网络的资源分配》文中认为近年来,随着无线通信技术的发展,室内定位技术逐步成为学术界和工业界备受关注的热门课题之一。快速准确地获得物体的位置信息是室内定位技术的根本目标,而定位精度不仅受到网络拓扑、环境噪声、定位方法和周围网络干扰的影响,还与资源分配策略相关。因此,本文以平方定位误差界为评价指标,研究干扰环境下无线定位网络的资源分配策略。本文首先对非协作受干扰无线定位网络进行了研究。在推算出干扰环境中平方定位误差界的数学解析式后,根据有无考虑信干噪比建立了两个最优化问题。由于这些问题非凸,利用最优化方法中的连续凸逼近思想,提出了多项式压缩算法和改进的完全泰勒线性化算法求解它们。仿真结果表明,不仅两种优化算法能较快收敛,而且本文的资源分配策略均优于传统的分配策略。其次,考虑到网络中锚节点覆盖不足的情况,本文研究了协作受干扰无线定位网络的资源分配问题。针对协作定位网络平方定位误差界没有数学解析式的问题,通过计算定位误差的上界,根据目标节点的资源是否可分配,建立了两个最优化问题。在此基础上提出了边界松弛粒子群算法和改进的边界松弛泰勒线性化算法。边界松弛粒子群算法对最优化模型的数学特征要求少,具有较强的实用性。仿真结果表明,本文的边界松弛粒子群算法能够获得更好的定位精度,但改进的边界松弛泰勒线性化算法运算效率更高。另外,文中还对异步受干扰雷达定位网络展开了研究。为了增强实用性,假设该网络中并非所有的节点都是时钟同步的。文中首次推导了异步雷达定位网络的联合定位时钟偏差的费歇尔信息矩阵,分别建立了时钟估计误差最小化和定位误差最小化的最优化问题,并利用之前的泰勒线性化算法求解。文中还研究了异步受干扰雷达定位网络的最佳拓扑结构,这对网络的实际部署有着指导意义。最后,由于在实际定位过程中,通过估计得到的目标位置与实际位置存在误差,根据实际位置的资源分配策略不具有鲁棒性。本文提出了一种基于改进远场条件的简单且鲁棒性好的资源分配策略。仿真结果表明,该策略较传统的资源分配策略能够有效提高定位的稳定性。
付潇[4]（2020）在《面向智能移动终端的多源信息融合定位关键技术研究》文中进行了进一步梳理位置服务在公共安全、反恐维稳、应急救援等诸多领域发挥着重要作用,特别是随着普适计算、新一代移动通信等技术的发展,高精度位置服务的需求爆发式增长。传统单一的定位手段在复杂环境下易出现信息缺失导致定位精度差甚至无法定位,难以提供高精度高可用的定位信息。多源信息融合定位技术能够将卫星定位、无线网络定位以及传感器定位等手段有机结合,从而获得更加准确稳定的定位结果,因此成为位置服务领域的重要支撑技术之一。智能移动终端的普及大大拓宽了位置服务的应用场景,但同时终端传感器种类繁多、精度各异等给面向终端的高精度高可用定位带来诸多挑战,终端应用场景下的多源信息融合定位仍面临定位特征的空间高区分度表征、人体遮挡所致误差的准确分析与补偿、多定位特征的高精度融合等关键技术难题,导致定位精度不足、鲁棒性差。针对上述问题,本文深入研究了多维定位特征信息的关联表征、多特征协同的遮挡误差准确补偿、多层级定位特征信息的高精度融合等关键技术,开展了理论方法创新与工程实践,主要研究成果及创新点包括:1、针对指纹定位特征的空间高区分度表征难题,通过分析指纹特征结构及其相似性度量方法对特征的空间区分度作用机理,利用信道状态信息幅度和相位特征的空间敏感度交错特性,构建了基于空频相自洽的多频点关联组合表征模型,提出了基于幅相融合特征动态相似度计算的指纹匹配方法,并建立了基于局域信号强度关联的参考点优选机制,通过约束参与匹配定位的参考点数量降低了幅相融合特征匹配计算的复杂度,实现了定位特征的空间高区分度表征及高精度定位。实测结果表明,幅相融合特征的空间区分度与幅度和相位特征相比分别提升约5.3%和25%,基于幅相融合特征的匹配定位精度与传统基于欧氏距离和时间反转共振强度的定位方法相比均有大幅提升。2、针对人体遮挡带来的信号强度测量误差的准确分析与补偿难题,理论推导并仿真分析了遮挡误差与定位精度及终端到锚节点距离之间的关联关系,通过引入惯性测量单元给出的终端航向角信息,建立了人体遮挡状态自适应判别策略,并根据锚节点位置信息、终端位置信息以及航向角信息构建了遮挡误差与定位结果的互反馈矫正模型,实现了人体遮挡所致信号强度测量误差的准确补偿及终端鲁棒定位。实测结果表明,本文提出的方法与现有基于四次多项式拟合的遮挡误差补偿方法相比,定位系统的外符合精度提升约22.7%;并且遮挡误差补偿前后,系统在不同人体遮挡状态下的内符合精度提升约44%,提高了终端定位的稳定性。3、针对终端定位中多特征信息的高精度融合难题,分析了现有滤波融合方法在信息源种类多、不稳定的场景中难以实现高精度高可用定位的现状,设计了定位信息的多层级融合框架,基于置信传播和粒子滤波实现了多源定位信息的灵活接入与动态融合,同时针对粒子滤波算法中粒子重要性密度函数优化及权重计算问题,提出了基于因子图的位置统计特征融合估计方法,并以此建立了粒子重要性密度函数及权重计算方法,最终实现了高精度高可用的融合定位。相同数据源条件下的仿真结果表明,本文提出的方法虽计算复杂度略有提升,但定位精度与基于扩展卡尔曼滤波和基于粒子滤波的融合定位方法相比分别提升约31.1%和16.7%。4、搭建了智能移动终端原型及面向智能移动终端多源信息融合定位技术测试的实验环境,将本文提出的幅相融合特征表征方法以及人体遮挡误差补偿方法统一纳入到所设计的定位特征多层级融合框架中,对本文提出的理论方法创新进行了集成测试与实验验证,实验结果表明,本文提出的融合定位算法在富多径的复杂环境下定位精度与基于扩展卡尔曼滤波和粒子滤波的融合定位算法相比分别提升约24.4%和17.3%,融合定位精度达0.62m（1σ）。
陈捷[5]（2020）在《基于改进BBO算法的室内无线定位方法研究》文中研究表明无线传感器网络是由多个利用无线电进行交互的设备组建而来的一种网络形式,该网络能够辅助实现目标物体位置的确定,目前已经成为多个研究和应用领域的重要技术。随着无线通信的日益完善,高精度的无线定位技术成为关乎人类安全和社会发展的重点研究内容。确定无线传感器网络中目标物体所处的具体位置的过程可以分成测距和位置估计两个阶段。因此,本文针对位置估计过程中的无线定位优化算法进行深入研究。1、对生物地理学优化算法进行改进。本文首次将拷贝数变异的概念引入生物地理学优化算法中,通过对算法中保留下的“精英特征”进行变异操作显着增加了生物种群中子代物种的数量,明显改善了该算法在迭代次数较多时出现的搜索动力不足的问题,并通过相关实验证明了本文所提改进策略的有效性。2、提出粗略定位与精细定位相结合的无线定位算法。基于群智能优化的无线定位算法在进行定位时的初始寻优范围一般都是整个无线网络,此类算法迭代次数多、耗时长。为进一步提高无线定位的准确率以及不断缩小寻优范围,本文将加权最小二乘法与精英特征变异相结合,首先采用加权最小二乘法对目标节点的范围进行粗略约束,然后利用引入精英特征变异的生物地理学算法进行精细定位。最终通过仿真实验,验证了此算法能够明显提高对目标节点的定位精度且满足设定的精度要求。3、为验证本文提出的算法在真实环境中的有效性和实用性,本文搭建了基于UWB的无线定位网络,在不同场景下进行测试并与其他相关算法进行对比实验。
杜事峰[6]（2020）在《基于Wi-Fi和视频的行人追踪方法研究》文中认为如今,支持Wi-Fi访问的AP（Access Point）设备与用于安保的视频摄像头已遍布于工作和生活的每个角落,基于Wi-Fi或视频的行人定位等相关研究吸引了广泛的关注。其中,视频定位技术在低密度场景中具有定位准确、实时性高等优点,但是由于单一摄像头的覆盖区域有限,而多摄像头难以协同工作,导致基于视频的行人追踪技术难以实现跨域追踪的行人重识别（Re-ID）;基于WiFi的移动设备定位精度有限,但是AP相较于摄像头有更大的覆盖范围,而且移动设备具有唯一的MAC地址,所以基于Wi-Fi的无线定位技术易于实现Re-ID。据此可知,通过综合Wi-Fi和视频两种不同的定位技术,不仅有利于解决视频定位面临的Re-ID问题,而且也有利于提高Wi-Fi定位的精度,从而实现更准确的行人跟踪。为此,本文提出了两种基于Wi-Fi和视频的行人轨迹匹配算法,在此基础上设计实现了一套面向行人追踪的视频与Wi-Fi融合定位实验系统。具体而言,首先通过分析无线定位技术与视频定位技术各自的特性,了解两种定位技术的定位过程和结果之间的异同点。其次,提出了两种匹配算法:（1）基于运动状态加权的匹配算法,通过分析产生定位轨迹包含的运动状态（速度、方向、位移等因素）,得到用于相似度排序所需要的比较值;（2）基于条件概率模型的匹配算法,通过建立轨迹之间相似度的概率模型,结合条件概率公式,得到表示两条轨迹之间相似度的概率值。再次,分析实际场景需求,设计实现了基于视频与Wi-Fi的融合定位实验系统。最后,在实际环境中进行了实验,验证了匹配算法的有效性以及定位系统的可用性。综上所述,本文提出的两种轨迹匹配算法能够对Wi-Fi定位结果与视频定位结果进行有效的匹配。此外,本文设计并实现的基于视频与Wi-Fi融合的定位系统能够为跨域行人追踪提供可靠的参考方案,具有一定的现实意义。
叶俊华[7]（2020）在《基于智能终端的多传感器融合行人导航定位算法研究》文中指出近年来,行人导航定位系统在全球范围内有着巨大的市场需求,我国也在全力以赴推动室内外导航定位技术的发展,但多数导航定位系统依赖于专业设备支撑,价格昂贵,且在复杂环境中（比如室内、城市峡谷）定位精度较差。那么如何在保证系统定位性能的前提下,寻求低成本且适用于大众的技术成为我们现在所面临的问题。因此,本研究的基本出发点是利用低成本的硬件实现行人导航定位,并提升其在恶劣环境中的定位精度。目前,智能终端已经普及并成为人们日常生活的重要部分,其内置的MEMS传感器具有质量轻、体积小、功耗低、成本低、易集成等优点,这使得基于MEMS传感器的导航定位技术成为理想的行人导航定位手段之一。但是基于MEMS传感器的导航定位系统单独工作时,定位误差会随时间迅速增长,最终致使系统无法正常工作。因此,需融合其它信息来修正系统误差进而辅助导航定位。iBeacon具备低成本、易安装、抗干扰等优点。基于此,本研究以智能手机为平台,结合MEMS传感器、GNSS、iBeacon、地图进行融合定位算法研究。围绕这个核心目标,本文在以下几个方面做了深入研究并取得了相应的成果:1)智能终端MEMS传感器属于消费级产品,其价格低廉,但噪声大、精度低、稳定性差,那么如何有效的利用MEMS观测值进行行人导航定位算法设计成为首要问题。本研究根据MEMS传感器的特性,采用了降噪算法并设计了简易的IMU校准算法,其在一定程度上改善了 MEMS传感器数据质量（航向标准差由5.96度将至2.18度）。结合气压、温度估计了相对高程及楼层变化,并分析行人运动对相对高程的影响,最后优化了相对高程及楼层判定算法。航向、计步、步长是行人航位推算的几个关键要素,尤其是航向,本研究基于加速度计、磁力计、陀螺仪观测值,设计了计步、步长算法,并结合卡尔曼滤波和补偿滤波算法,优化了 MEMS航向算法,结果显示改进算法的航向STD减小了约30%,证实了改进算法的优越性。2)基于MEMS传感器观测值的导航定位算法普遍存在误差累积的问题,尤其是航向上的误差会导致定位误差倍增,因此,需结合其他信息修正误差。本研究根据iBeacon发射功率将iBeacon划分为强、中、弱三种类型;基于不同类型iBeacon的RSSI构建了综合的定位、航向、步长改进算法,并设计了 MEMS航向、iBeacon航向融合算法。室内定位实验显示增加iBeacon定位修正和航向修正后,整体定位精度提升至3米以内,有效的修正了 MEMS传感器算法的累积误差,增强了导航定位系统的稳定性和可持续性。3)目前,行人导航定位相关的研究多假定行人按某种姿态行走或固定智能终端姿态。而现实中,行人携带智能终端的方式及自身的运动模式都是多元化的,定位算法与行人活动是密切相关的。如何有效、实时、准确的判定行人运动模式决定着精准导航定位算法的设计。本研究结合深度学习技术与智能终端MEMS传感器测量值,训练了识别模型,并对比了传统的机器学习算法,发现基于深度学习的行人活动识别不仅实现简单,而且精度高,并可辅助移动端的实时导航定位。实验显示与PDR+GNSS+iBeacon方案相比PDR+GNSS+iBeacon+AR融合算法平均定位误差减少了约1.1米,表明实时的行人活动识别改善了导航定位效果。4)通常智能终端GNSS在净空条件下可以得到较好的定位结果,而在室内或城市峡谷中,信号会失锁或定位异常,最终导致依赖于GNSS的行人导航定位系统定位无效或误差过大。本研究综合利用GNSS定位、PDR定位、iBeacon定位、室内地图各自的优势并结合设计的EKF算法、PF算法实现融合定位。香港城市峡谷定位实验显示GNSS+PDR+iBeacon融合定位结果将低于10米定位误差的比例从38%提高到60%,将小于20米定位误差的比例从55%提高到80%;GNSS+PDR融合定位结果则将低于20米定位误差的比例提升至60%。表明无论是室内外混合区域还是城市峡谷,融合定位结果明显优于单一定位技术,尤其是城市峡谷地区,其定位精度明显优于智能终端自身GNSS定位精度,而且具有较好的连续性。因此,可认为融合算法提升了系统的导航定位能力。
姚顺宇[8]（2020）在《智能健康监测系统设计与研究》文中提出随着人们生活水平的不断提高和人口老龄化的加重,人们对自身的身体健康状况愈加重视,对健康监测的需求也更为强烈。同时我国亚健康人群不断增多,而且以年轻人为主。对一些已经患有慢性疾病的患者或者亚健康人群,实时监测其身体的生理状况,能够起到预防和报警的作用。传统的健康监测系统存在效率低下、体积笨重等特点,许多大型设备只能安放在医院中,这使得其作用范围和实用性大大降低。虽然目前也出现了一些新型的无线人体健康监测设备,但是一般只能测量有限的人体参数。要实现智能健康监测需要获取上下文信息,而非单一来源的信息。本文设计了一套智能健康检测系统,该系统主要包含基于ZigBee协议的路由器、协调器和智能手环测量终端,以及一个摄像头。本文基于该系统实现了三个功能,无线生理参数测量、室内无线定位和多源信息融合行为识别。首先本文所设计的智能手环终端可以检测血氧饱和度、血压、心率和体温四项人体基本生理参数,穿戴方便,可以随时进行测量,不影响日常生活。其次本文基于ZigBee的信号强度,利用多通道指纹法对手环测量终端进行室内定位,这样就实现了人员的定位功能。最后本文可以使用摄像头采集人员的图像信息,利用人体姿态检测算法进行人体姿态关节点检测,将人员的生理参数信息、位置信息和姿态信息多源融合后利用长短期记忆模型进行行为识别,长短期记忆模型是一种递归神经网络模型,可以有效利用数据间的时序信息,同时可以对多源信息融合后的特征进行自动学习,解决了多源信息融合后手工特征难以设计的问题。本文所设计的智能健康监测系统可以对使用者的健康进行长时间和多方面的追踪与监测。本文通过一系列的实验设计,首先证明了无线生理参数测量系统可以对人的生理参数进行准确测量。其次本文验证了室内无线定位的准确性,在误差距离为2m的情况下定位精度最高可达97%,优于其他ZigBee定位方法。然后对本文所设计的行为识别功能进行了实验验证,在指定的五个行为中最后的识别准确率可以达到97.4%,优于传统方法支持向量机和其他神经网络方法多层感知机及递归神经网络。最后本文分析了不同行为下人体生理参数的统计值,验证了不同行为下人体生理参数的差异性。
程家印[9]（2020）在《基于多信号的融合型室内定位算法研究与实现》文中指出室内定位技术是指基于室内场景下的位置定位相关技术。在室内场景下,由于无法使用卫星定位等技术,因而借助部分其他传感器信号完成人员以及物体在该场景下的位置检测。随着基于位置的服务日渐火热,室内定位技术逐渐成为定位领域的研究热点。目前,室内定位领域通常使用无线通信技术、射频识别技术以及惯性传感器定位等技术实现定位目标的精准监控,同时,越来越多的研究者开始研究综合使用多种定位方式的融合定位算法。除此之外,由于人工智能技术发展迅速,机器学习相关的理论也更多的被研究者们应用于室内定位的领域。本文提出了一种基于多信号的融合型室内定位算法,并利用部分机器学习算法对算法进行了进一步的优化,最终取得了比较好的定位效果。主要研究工作分为以下三部分。第一部分,本文研究并提出了一种基于多信号的融合型室内定位算法,该算法的流程主要如下:先离线建立指纹库,在线定位阶段以单次迈步为计算周期,分别使用惯性信号和WiFi信号完成定位,并分情况使用不同的融合修正算法对位置进行修正,获得最终的定位结果。单次迈步的定位结果作为下一次迈步周期的初始位置输入,实现位置的迭代计算。实测表明,该算法的定位准确度以及稳定性优于单独使用惯性定位或指纹定位以及参考文献中提出的几种融合定位算法。第二部分,将部分机器学习的相关算法融入室内定位算法进行了算法的优化。通过对各种常见的机器学习算法进行调研,最终使用了主成分分析、自编码网络以及聚类对本文所提出的融合型定位算法进行改进。实测表明,结合本文使用的三种机器学习算法能够大大提高室内定位的实时性,并在一定程度上提高定位的准确度和稳定性。第三部分,设计并开发了基于本文提出的算法的室内定位平台。平台主要分为用户端和服务器端两个部分,共七个功能模块。采取了跨平台的定位模式,有利于减小客户端即手机侧的数据存储和计算的负担,进一步提高定位的实时性,并且具有更好的可拓展性。
徐丽敏[10]（2020）在《基于改进PDR/UWB融合的室内无缝导航定位关键技术研究》文中进行了进一步梳理随着社会科技的进步,基于行人位置的服务需求日益增多,行人导航定位技术引起了国内外众多专家学者的广泛关注。目前成熟的行人定位技术大多都是基于全球卫星导航系统,但该系统在卫星信号受干扰或者缺失卫星信号的室内封闭环境下无法提供高精度长时稳定的定位信息。本文针对卫星定位无效的室内环境,研究了室内行人导航定位技术,以基于手持惯性测量元件（IMU,Inertial Measurement Unit）的行人航位推算算法（PDR,Pedestrian Dead Reckoning）为主体,利用机会信号UWB的定位结果作为辅助,研究了针对行人室内定位的PDR/UWB的无缝融合方法及系统设计,最终完成了精准且稳定的室内无缝导航定位的目标。针对手持式PDR算法中误差易发散的问题,本文研究了基于多模态辨识与运动约束的行人航位推算优化算法。首先针对PDR算法中的步频检测与步长估计两大关键参数,分别提出了一种基于状态转移的步频检测模型和一种基于神经网络与差分GPS辅助的步长估计方法;鉴于手机导航技术需要适应用户手持手机的不同应用模态,本文针对用户常用的三种手持手机模态构建了一种基于步频特征的手持多模态识别算法,不仅拓展了使用方式而且提高了用户体验;为了抑制多手持模态下行人导航定位误差的发散,根据行人运动学机理提出了基于模态切换状态识别的航向误差修正方法与基于侧向速度约束的导航误差修正算法,为实现高精度的室内行人定位功能奠定基础。为了进一步提高室内行人定位系统的精度,本文选取能够提供亚米级精度的UWB机会信息作为辅助,并构建了基于到达时间差的改进UWB精准定位框架。首先深入地对比分析了基于到达时间差原理的计算方法,并利用实际采集的数据进行定位结果分析;综合考虑多种UWB定位方法的特点,本文设计了基于Chan/Taylor的改进UWB行人精准定位算法来提高UWB的定位精度,即首先提出了一种基于拟合/卡尔曼滤波的测距误差修正方法,接着利用Chan算法解算出粗定位结果,以之作为Taylor算法的初值,经过数次迭代后实现亚米级的定位精度。为了实现室内无缝导航定位的要求,本文研究了基于改进PDR/UWB机会信息的融合方法。首先采用卡尔曼滤波方法对PDR的定位解算结果与UWB的定位解算结果进行融合估计,利用高精度的UWB定位结果对PDR算法的定位结果进行修正;接着为了突破机会信息仅存在于局部区域的局限性,在卡尔曼滤波的基础上研究了基于回环修正的全局融合方法,提高全程的定位精度,为实现室内无缝导航定位提供理论依据。最后本文结合PDR算法、UWB定位算法以及信息融合算法构建了行人室内导航定位系统的性能验证平台,基于此,利用实际采集的传感器数据验证了本文所提出的基于改进PDR/UWB融合的室内无缝导航定位算法的精准性及有效性。
二、手机无线定位的实现策略和误差（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、手机无线定位的实现策略和误差（论文提纲范文）
（1）NLOS环境下基于最优化理论的TDOA定位算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无线定位算法研究 |
| 1.2.2 NLOS误差抑制定位算法 |
| 1.3 论文的主要工作与结构组织 |
| 第二章 无线定位与优化理论 |
| 2.1 无线定位方法原理 |
| 2.1.1 TOA定位原理 |
| 2.1.2 TDOA定位原理 |
| 2.1.3 AOA定位原理 |
| 2.1.4 RSS定位原理 |
| 2.1.5 混合定位原理 |
| 2.2 定位算法性能评价指标 |
| 2.2.1 均方/均方根误差 |
| 2.2.2 克拉美罗下界 |
| 2.2.3 几何精度因子 |
| 2.3 基本最优化方法 |
| 2.3.1 非线性最小二乘 |
| 2.3.2 二次规划 |
| 2.3.3 半定规划 |
| 2.4 定位算法误差来源 |
| 2.4.1 非视距传播误差 |
| 2.4.2 多径传播误差 |
| 2.5 本章小结 |
| 第三章 CHAN-TAYLOR组合位置估计算法优化 |
| 3.1 基于改进残差加权算法的粗定位方法 |
| 3.1.1 残差加权类NLOS误差抑制算法 |
| 3.1.2 A-Rwgh算法 |
| 3.2 基于信赖域的精确迭代方法 |
| 3.3 改进的组合位置估计算法 |
| 3.4 仿真结果与分析 |
| 3.5 本章小结 |
| 第四章 基于凸优化方法的定位算法 |
| 4.1 凸优化方法与问题模型 |
| 4.1.1 凸优化方法 |
| 4.1.2 定位问题模型建立 |
| 4.1.3 二次规划定位方法 |
| 4.1.4 仿真结果与分析 |
| 4.2 基于二阶锥规划的定位方法 |
| 4.2.1 二阶锥规划定位模型 |
| 4.2.2 改进的二阶锥松弛定位方法 |
| 4.2.3 仿真结果与分析 |
| 4.3 NLOS环境下基于二次规划的改进TDOA定位算法 |
| 4.3.1 基于几何约束的改进 |
| 4.3.2 基于观测量的改进方法 |
| 4.3.3 基于最速下降法的迭代方法 |
| 4.3.4 基于约束条件改进的二次规划定位方法 |
| 4.4 仿真结果与分析 |
| 4.5 本章小结 |
| 第五章 实验环境的搭建与结果 |
| 5.1 实验的硬件和软件设备 |
| 5.2 实验环境 |
| 5.3 实验结果分析 |
| 5.3.1 改进的Chan-Taylor组合位置估计算法 |
| 5.3.2 基于凸优化方法的定位算法 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 问题与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文及专利 |
（2）能量可收集定位系统下的目标检测（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 目标检测技术的历史研究与现状 |
| 1.2.1 传统目标检测技术 |
| 1.2.2 基于深度学习的目标检测技术历史研究与现状 |
| 1.3 基于CSI的无线定位技术的历史研究与现状 |
| 1.4 能量可收集无线通信的历史研究与现状 |
| 1.5 无线通信与计算机视觉相结合的研究 |
| 1.6 本文的主要贡献与创新 |
| 1.7 本论文的结构安排 |
| 第二章 能量可收集无线通信中的功率分配算法 |
| 2.1 能量可收集无线通信模型 |
| 2.1.1 能量可收集端到端通信 |
| 2.1.2 能量可收集单向中继通信 |
| 2.1.3 能量可收集双向中继通信 |
| 2.2 能量收集模型 |
| 2.3 能量可收集无线通信中常见的功率分配算法 |
| 2.3.1 基于凸优化(注水算法)的功率分配算法 |
| 2.3.2 基于MDP的功率分配算法 |
| 2.3.3 基于李雅普诺夫优化的功率分配算法 |
| 2.4 基于深度强化学习的功率分配算法 |
| 2.4.1 优化目标 |
| 2.4.2 优化算法 |
| 2.4.3 复杂度分析 |
| 2.4.4 实验结果 |
| 2.5 本章小结 |
| 第三章 基于深度学习的目标检测 |
| 3.1 基于深度学习的二阶段检测器介绍 |
| 3.2 基于深度学习的一阶段检测器介绍 |
| 3.3 目标检测数据集与检测指标 |
| 3.3.1 ImageNet |
| 3.3.2 Pascal VOC |
| 3.3.3 MS COCO |
| 3.3.4 Caltech Pedestrian |
| 3.3.5 检测指标之mAP |
| 3.3.6 检测指标之MR-FPPI |
| 3.4 非极大值抑制 |
| 3.5 本章小结 |
| 第四章 无线定位辅助的目标检测 |
| 4.1 无线定位方法 |
| 4.2 结合无线定位信息的目标检测 |
| 4.2.1 无线定位信息的映射方法 |
| 4.2.2 运用先验信息的目标检测 |
| 4.2.3 带无线定位约束的非极大值抑制算法 |
| 4.3 本章小结 |
| 第五章 无线定位辅助的目标检测实验结果 |
| 5.1 实验设置 |
| 5.2 定位误差影响分析 |
| 5.3 性能比较 |
| 5.4 真实世界数据实验 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）干扰环境下无线定位网络的资源分配（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 室内定位技术的研究现状 |
| 1.2.2 定位网络资源分配的研究现状 |
| 1.3 论文的主要内容 |
| 第二章 室内定位技术的基本理论 |
| 2.1 室内定位技术 |
| 2.1.1 WIFI定位技术 |
| 2.1.2 蓝牙定位技术 |
| 2.1.3 射频识别定位技术 |
| 2.1.4 无线传感器网络定位技术 |
| 2.2 无线测距技术 |
| 2.2.1 到达时间测距 |
| 2.2.2 到达时间差测距 |
| 2.2.3 到达方向角测距 |
| 2.2.4 接收信号强度测距 |
| 2.3 定位精度指标 |
| 2.3.1 费歇尔信息矩阵 |
| 2.3.2 克拉美罗界 |
| 2.4 资源分配相关最优化算法 |
| 2.4.1 连续凸逼近算法 |
| 2.4.2 粒子群算法 |
| 2.5 本章小结 |
| 第三章 非协作受干扰定位网络的资源分配 |
| 3.1 非协作定位系统模型 |
| 3.2 非协作定位网络SPEB |
| 3.3 有效带宽分析 |
| 3.4 资源分配策略 |
| 3.4.1 无信干噪比约束资源分配 |
| 3.4.2 改进的有信干噪比约束资源分配 |
| 3.5 资源分配算法 |
| 3.5.1 多项式压缩算法 |
| 3.5.2 改进的完全泰勒线性化算法 |
| 3.6 仿真结果与分析 |
| 3.6.1 仿真环境设置 |
| 3.6.2 算法性能比较 |
| 3.6.3 策略性能比较 |
| 3.7 本章小结 |
| 第四章 协作受干扰定位网络的资源分配 |
| 4.1 协作定位系统模型 |
| 4.2 边界松弛求取SPEB |
| 4.3 资源分配策略 |
| 4.3.1 锚节点与干扰节点联合功率分配 |
| 4.3.2 目标节点与干扰节点联合功率分配 |
| 4.4 最优资源分配算法 |
| 4.4.1 改进的边界松弛泰勒线性化算法 |
| 4.4.2 边界松弛粒子群算法 |
| 4.5 仿真结果与分析 |
| 4.5.1 仿真环境设置 |
| 4.5.2 算法性能比较 |
| 4.5.3 策略性能比较 |
| 4.5.4 总功率影响分析 |
| 4.6 本章小结 |
| 第五章 异步受干扰雷达定位网络的资源分配 |
| 5.1 异步雷达定位网络模型 |
| 5.2 联合位置和时钟偏差的EFIM |
| 5.3 资源分配策略 |
| 5.3.1 时钟估计误差最小化功率分配 |
| 5.3.2 定位误差最小化功率分配 |
| 5.4 资源分配鲁棒性研究 |
| 5.4.1 鲁棒性资源分配模型 |
| 5.4.2 改进远场条件鲁棒性资源分配 |
| 5.5 网络拓扑结构研究 |
| 5.5.1 节点分布研究 |
| 5.5.2 节点比例研究 |
| 5.6 仿真结果与分析 |
| 5.6.1 仿真环境设置 |
| 5.6.2 定位误差最小化性能分析 |
| 5.6.3 时钟估计误差最小化性能分析 |
| 5.6.4 鲁棒性资源分配性能分析 |
| 5.6.5 网络拓扑结构分析 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录2 攻读硕士学位期间撰写的论文 |
| 附录3 攻读硕士学位期间申请的专利 |
| 附录4 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（4）面向智能移动终端的多源信息融合定位关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 位置服务需求呈现爆发式增长态势 |
| 1.1.2 多源信息融合定位支撑高精度位置服务发展 |
| 1.1.3 智能移动终端的多源信息融合定位面临新难题 |
| 1.1.4 本文研究意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 定位特征的表征技术现状与分析 |
| 1.2.2 人体遮挡误差的补偿技术现状与分析 |
| 1.2.3 多定位特征的融合处理技术现状与分析 |
| 1.3 本文主要研究内容和贡献 |
| 1.4 本文章节安排 |
| 第二章 基于幅相融合的特征高区分度表征方法 |
| 2.1 引言 |
| 2.2 特征的空间区分度分析 |
| 2.2.1 空间区分度的内涵及计算方法 |
| 2.2.2 空间区分度的表征方法 |
| 2.3 幅相融合表征与特征匹配方法 |
| 2.3.1 现有定位特征及其相似性度量方法分析 |
| 2.3.2 幅相融合表征及特征相似性动态度量 |
| 2.3.3 基于局域RSSI关联的参考点优选策略 |
| 2.4 实验分析与性能评估 |
| 2.4.1 实验环境搭建 |
| 2.4.2 空间区分度评估 |
| 2.5 小结 |
| 第三章 IMU辅助的人体遮挡误差补偿方法 |
| 3.1 引言 |
| 3.2 定位误差源及遮挡误差作用机理分析 |
| 3.2.1 定位误差源分析 |
| 3.2.2 人体遮挡误差作用机理分析 |
| 3.3 人体遮挡误差的互反馈补偿方法 |
| 3.3.1 IMU辅助的遮挡状态辨识策略 |
| 3.3.2 遮挡误差补偿模型的建立方法 |
| 3.3.3 人体遮挡误差的补偿算法 |
| 3.4 实验分析与性能评估 |
| 3.4.1 实验环境搭建 |
| 3.4.2 误差补偿模型的参数拟合 |
| 3.4.3 误差补偿算法的性能分析 |
| 3.5 小结 |
| 第四章 定位特征信息的多层级融合方法 |
| 4.1 引言 |
| 4.2 定位信息的传统融合方法 |
| 4.2.1 基于KF的融合方法 |
| 4.2.2 基于PF的融合方法 |
| 4.3 定位信息的多层级融合方法 |
| 4.3.1 定位信息的多层级融合框架设计 |
| 4.3.2 基于多层粒子滤波的多源信息融合定位方法 |
| 4.3.3 融合定位方法性能的理论分析 |
| 4.4 仿真实验与结果分析 |
| 4.4.1 仿真环境设定 |
| 4.4.2 融合定位方法性能评估 |
| 4.5 小结 |
| 第五章 多源信息融合定位关键技术实验验证 |
| 5.1 引言 |
| 5.2 实验设备与环境搭建 |
| 5.2.1 实验设备介绍 |
| 5.2.2 实验环境搭建 |
| 5.3 多源信息融合定位算法性能测试 |
| 5.3.1 基于幅相融合特征的表征方法性能评估 |
| 5.3.2 IMU辅助的人体遮挡误差补偿方法性能评估 |
| 5.3.3 基于BPM-MPF的多源信息融合定位性能评估 |
| 5.4 小结 |
| 第六章 总结与展望 |
| 6.1 主要研究内容总结 |
| 6.2 融合定位研究展望 |
| 参考文献 |
| 缩略语 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 攻读学位期间申请专利目录 |
（5）基于改进BBO算法的室内无线定位方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 相关领域的研究现状 |
| 1.2.1 群智智能优化算法研究现状 |
| 1.2.2 生物地理学优化算法的研究现状 |
| 1.2.3 室内无线定位技术的研究现状 |
| 1.2.4 超宽带技术的研究现状 |
| 1.3 本课题研究的主要内容及创新点 |
| 第二章 生物地理学优化算法及无线定位算法介绍 |
| 2.1 生物地理学优化算法 |
| 2.1.1 生物地理学优化算法简介 |
| 2.1.2 BBO算法与其他算法的比较 |
| 2.2 无线定位基本原理及算法 |
| 2.2.1 无线定位系统中的测距方法 |
| 2.2.2 无线定位系统中的位置估计算法 |
| 2.3 本章小结 |
| 第三章 基于精英特征变异的生物地理学优化算法 |
| 3.1 拷贝数变异简介 |
| 3.2 EFV-BBO算法原理及实现 |
| 3.3 改进算法的寻优性能仿真实验 |
| 3.4 本章小结 |
| 第四章 改进BBO算法对目标节点定位的优化 |
| 4.1 无线传感器网络中的定位模型 |
| 4.2 定位误差分析及优化方法 |
| 4.2.1 天线延迟误差分析及优化方法 |
| 4.2.2 时钟误差分析及优化方法 |
| 4.2.3 多径误差分析及优化方法 |
| 4.2.4 非视距误差分析及优化方法 |
| 4.3 基于WLS-EFV-BBO的无线定位算法 |
| 4.4 适宜度函数的选取 |
| 4.5 定位精度评价指标及精度要求 |
| 4.6 无线定位算法性能仿真测试 |
| 4.7 本章小结 |
| 第五章 基于UWB的无线定位系统设计与硬件实现 |
| 5.1 无线定位系统的设计 |
| 5.1.1 基于UWB的无线传感器网络设计 |
| 5.1.2 可移动机器人平台设计 |
| 5.1.3 系统整体设计 |
| 5.2 UWB模块的标定及其数据获取 |
| 5.2.1 测距数据的获取 |
| 5.2.2 UWB模块的标定 |
| 5.3 实验对比 |
| 5.3.1 静态定位实验与分析 |
| 5.3.2 动态定位实验与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（6）基于Wi-Fi和视频的行人追踪方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 无线定位技术的研究现状 |
| 1.2.2 视频定位技术的研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 无线定位技术相关理论综述 |
| 2.1 无线定位技术简介 |
| 2.2 无线网络的特点 |
| 2.3 影响定位精度的因素 |
| 2.4 定位算法的分类及典例 |
| 2.4.1 基于非测距技术的典型定位算法 |
| 2.4.2 基于测距的定位算法 |
| 第三章 监控视频中行人定位技术相关理论研究 |
| 3.1 基于视频图像序列的行人检测算法 |
| 3.1.1 时域差分法 |
| 3.1.2 光流分析法 |
| 3.1.3 减背景法 |
| 3.2 基于深度学习的行人检测算法 |
| 3.2.1 非极大值抑制 |
| 3.2.2 卷积神经网络CNN |
| 3.2.3 基于卷积神经网络的目标检测 |
| 3.3 本章小结 |
| 第四章 基于视频与WI-FI融合定位系统 |
| 4.1 系统需求分析 |
| 4.2 系统架构设计 |
| 4.3 WI-FI定位子系统设计 |
| 4.4 视频定位子系统设计 |
| 第五章 轨迹匹配算法 |
| 5.1 引言 |
| 5.2 基于运动特征加权的匹配算法 |
| 5.2.1 算法流程 |
| 5.2.2 评价相似度得分算法 |
| 5.2.3 生成结果矩阵 |
| 5.2.4 伪代码说明 |
| 5.3 基于条件概率模型的匹配算法 |
| 5.3.1 算法流程 |
| 5.3.2 相似度度量方法 |
| 5.3.3 概率模型 |
| 5.3.4 伪代码说明 |
| 5.4 本章小结 |
| 第六章 实验设计与结果分析 |
| 6.1 实验准备 |
| 6.1.1 场地及运行环境 |
| 6.1.2 实验组设计 |
| 6.1.3 建立指纹库与标定摄像头 |
| 6.1.4 测试集数据采集 |
| 6.1.5 数据预处理 |
| 6.2 结果统计与分析 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
（7）基于智能终端的多传感器融合行人导航定位算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 本文的研究背景及意义 |
| 1.2.1 研究背景 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 卫星导航定位技术 |
| 1.3.2 无线信号定位技术 |
| 1.3.3 基于MEMS IMU的定位技术 |
| 1.3.4 地图辅助与地图匹配定位 |
| 1.3.5 行人活动分类 |
| 1.3.6 融合导航定位 |
| 1.4 存在的问题及本文研究内容 |
| 1.4.1 存在的问题 |
| 1.4.2 研究目标 |
| 1.4.3 创新点 |
| 1.4.4 总体架构 |
| 1.5 论文结构 |
| 1.6 小结 |
| 第二章 多传感器融合行人导航的基础算法 |
| 2.1 引言 |
| 2.2 坐标系统 |
| 2.2.1 地心惯性坐标系统(i系) |
| 2.2.2 地球坐标系统(e系) |
| 2.2.3 地理坐标系统(g系) |
| 2.2.4 导航坐标系统(n系) |
| 2.2.5 载体坐标系统(b系) |
| 2.3 姿态变换 |
| 2.3.1 四元数 |
| 2.3.2 欧拉角 |
| 2.3.3 方向余弦矩阵 |
| 2.3.4 姿态转换方式之间的关系及选择 |
| 2.4 坐标转换 |
| 2.4.1 大地坐标系统之间的转换 |
| 2.4.2 载体坐标系与地理坐标系之间的转换 |
| 2.4.3 地球坐标系与地理坐标系之间的转换 |
| 2.4.4 地球坐标系与载体坐标系转换 |
| 2.5 无线定位 |
| 2.5.1 空间交会定位 |
| 2.5.2 指纹匹配定位 |
| 2.6 基于MEMS IMU的定位算法 |
| 2.6.1 捷联惯导算法 |
| 2.6.2 行人航位推算算法 |
| 2.7 卫星导航定位 |
| 2.8 定位融合算法 |
| 2.8.1 卡尔曼滤波 |
| 2.8.2 粒子滤波 |
| 2.8.3 因子图 |
| 2.9 分析 |
| 2.10 小结 |
| 第三章 基于MEMS传感器的校准、计步、步长、高程、航向算法研究 |
| 3.1 引言 |
| 3.2 观测数据预处理算法 |
| 3.2.1 低通滤波 |
| 3.2.2 均值滤波 |
| 3.2.3 中值滤波 |
| 3.2.4 傅里叶变换 |
| 3.2.5 分析 |
| 3.3 MEMS传感器校准 |
| 3.3.1 IMU误差模型及校准 |
| 3.3.2 磁力计校准 |
| 3.3.3 Allan方差 |
| 3.3.4 验证与分析 |
| 3.4 计步算法 |
| 3.5 步长估计算法 |
| 3.6 相对高程及楼层判定算法 |
| 3.6.1 温度气压模型 |
| 3.6.2 气压模型 |
| 3.6.3 分析与验证 |
| 3.7 MEMS航向估计算法 |
| 3.7.1 基于MEMS传感器观测值的航向算法 |
| 3.7.2 互补滤波算法 |
| 3.7.3 基于加速度计、陀螺仪、磁力计观测值的航向优化算法 |
| 3.8 手机航向实验 |
| 3.8.1 实验描述 |
| 3.8.2 实验分析 |
| 3.9 小结 |
| 第四章 基于iBeacon信号的定位、航向、步长修正算法研究 |
| 4.1 引言 |
| 4.2 iBeacon信号传播RSSI-距离模型 |
| 4.3 利用iBeacon RSSI进行航向算法设计 |
| 4.3.1 航向设计原理 |
| 4.3.2 弱信号iBeacon航向估计算法 |
| 4.3.3 中、强信号iBeacon航向估计算法 |
| 4.4 基于iBeacon RSSI的定位算法设计 |
| 4.4.1 弱信号iBeacon定位估计算法 |
| 4.4.2 弱iBeacon定位修正算法 |
| 4.4.3 中、强信号iBeacon定位算法 |
| 4.5 基于iBeacon RSSI的步长修正算法设计 |
| 4.6 多源航向融合算法 |
| 4.6.1 iBeacon航向、MEMS航向融合算法 |
| 4.7 实验与验证 |
| 4.8 小结 |
| 第五章 行人导航中的运动模式与手机姿态识别算法研究 |
| 5.1 引言 |
| 5.2 训练数据预处理算法 |
| 5.2.1 降噪算法 |
| 5.2.2 姿态转换 |
| 5.2.3 身体加速度分离 |
| 5.2.4 特征提取 |
| 5.3 传统的的机器学习分类算法 |
| 5.3.1 k最邻近分类算法 |
| 5.3.2 随机森林 |
| 5.3.3 支持向量机 |
| 5.3.4 决策树 |
| 5.3.5 朴素贝叶斯模型 |
| 5.3.6 神经网络 |
| 5.3.7 随机梯度下降法 |
| 5.4 基于深度学习的分类算法 |
| 5.4.1 深度学习框架 |
| 5.4.2 LSTM网络 |
| 5.4.3 CNN网络 |
| 5.5 识别模型训练及定位策略 |
| 5.5.1 模型训练 |
| 5.5.2 模型评估 |
| 5.5.3 模型转换 |
| 5.5.4 导航定位更新 |
| 5.6 行人运动模式识别实验 |
| 5.6.1 实验描述与数据预处理 |
| 5.6.2 基于传统机器学习算法识别 |
| 5.6.3 基于深度学习算法的识别 |
| 5.6.4 实验分析 |
| 5.7 手机姿态识别实验 |
| 5.7.1 试验描述和数据预处理 |
| 5.7.2 利用传统的机器学习算法识别 |
| 5.7.3 基于深度学习的识别 |
| 5.7.4 实验分析 |
| 5.8 行人综合姿态实时识别实验 |
| 5.8.1 试验描述和数据预处理 |
| 5.8.2 综合行人姿态实时识别 |
| 5.8.3 实验分析 |
| 5.9 导航实验 |
| 5.9.1 实验分析 |
| 5.10 小结 |
| 第六章 PDR、iBeacon、GNSS观测值融合导航定位算法研究 |
| 6.1 引言 |
| 6.2 行人位置递推具体实现 |
| 6.2.1 平面上的航位推算算法 |
| 6.2.2 坐标基准统一 |
| 6.2.3 初始定位 |
| 6.3 智能手机的卫星导航定位 |
| 6.4 室内地图辅助和地图匹配 |
| 6.4.2 室内地图处理 |
| 6.4.3 交叉检测与判定算法 |
| 6.4.4 粒子滤波设计与航向修正 |
| 6.4.5 无有效粒子时地图匹配算法 |
| 6.4.6 实验 |
| 6.5 多源定位融合算法 |
| 6.5.1 PDR,iBeacon与GNSS定位融合滤波器设计 |
| 6.5.2 平方根滤波 |
| 6.5.3 GNSS噪声评估及自适应滤波设计 |
| 6.6 行人导航定位应用架构设计 |
| 6.7 行人导航定位实验 |
| 6.7.1 城市峡谷GNSS+iBeacon+PDR融合行人导航定位实验 |
| 6.7.2 城市峡谷无iBeacon辅助的行人导航定位实验 |
| 6.7.3 实验分析 |
| 6.8 小结 |
| 第七章 总结与展望 |
| 7.1 结论 |
| 7.2 未来工作展望 |
| 参考文献 |
| 附录A 论文规范 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（8）智能健康监测系统设计与研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究概况 |
| 1.2.1 无线生理参数测量系统研究概况 |
| 1.2.2 无线定位技术研究进展与现状 |
| 1.2.3 行为识别研究进展与概况 |
| 1.2.4 国内外研究概况总结 |
| 1.3 论文的主要内容与章节安排 |
| 第二章 智能健康监测系统框架和原理概述 |
| 2.1 无线生理参数测量框架与原理 |
| 2.1.1 无线生理参数测量框架 |
| 2.1.2 ZigBee协议概述 |
| 2.1.3 人体生理参数测量原理 |
| 2.2 室内无线定位框架与原理 |
| 2.2.1 室内无线定位框架 |
| 2.2.2 无线定位原理概述 |
| 2.3 多源信息融合行为识别框架与原理 |
| 2.3.1 多源信息融合行为识别框架 |
| 2.3.2 多源信息融合行为识别原理概述 |
| 2.4 本章小结 |
| 第三章 多生理参数测量模块设计与实现 |
| 3.1 模块硬件设计 |
| 3.1.1 ZigBee路由器和协调器硬件设计 |
| 3.1.2 智能手环无线测量终端硬件设计 |
| 3.2 模块软件设计 |
| 3.2.1 服务器端软件设计 |
| 3.2.2 客户端软件设计 |
| 3.3 系统模块测试及验证 |
| 3.4 本章小结 |
| 第四章 基于ZIGBEE的无线定位网络 |
| 4.1 ZigBee无线网络定位介绍 |
| 4.2 基于ZigBee的多通道信号强度定位算法 |
| 4.2.1 多信道RSS测量模块 |
| 4.2.2 指纹定位模块 |
| 4.3 ZigBee无线网络定位实验及分析 |
| 4.3.1 RSS测量的时间特性 |
| 4.3.2 RSS测量的通道特性 |
| 4.3.3 基于RSS的多通道指纹法定位实验 |
| 4.4 本章小结 |
| 第五章 基于多源信息融合的行为识别 |
| 5.1 多源信息融合的必要性 |
| 5.2 算法原理与分析 |
| 5.2.1 人体姿态检测高分辨率网络HRNet |
| 5.2.2 基于长短期记忆模型的多源信息行为检测 |
| 5.3 数据采集和处理 |
| 5.3.1 人体姿态检测模型预训练 |
| 5.3.2 实验数据的采集 |
| 5.4 实验与结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要工作与总结 |
| 6.2 本文创新点 |
| 6.3 存在的不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（9）基于多信号的融合型室内定位算法研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外相关研究概况 |
| 1.2.1 无线定位研究现状 |
| 1.2.2 室内定位研究现状 |
| 1.2.3 机器学习相关研究概况 |
| 1.3 论文主要研究内容 |
| 1.4 全文结构安排 |
| 第二章 室内定位技术相关原理 |
| 2.1 WiFi指纹定位技术 |
| 2.1.1 技术概述 |
| 2.1.2 离线建库阶段 |
| 2.1.3 在线匹配阶段 |
| 2.2 惯性定位技术 |
| 2.2.1 技术概述 |
| 2.2.2 步态检测算法 |
| 2.2.3 步长估计算法 |
| 2.2.4 航向角获取 |
| 2.3 室内融合型定位技术 |
| 2.3.1 技术概述 |
| 2.3.2 融合定位的意义 |
| 2.3.3 现有融合定位算法概述 |
| 2.4 本章小结 |
| 第三章 相关机器学习算法 |
| 3.1 主成分分析 |
| 3.1.1 主成分分析相关原理 |
| 3.1.2 主成分分析算法流程 |
| 3.1.3 基于主成分分析的特征提取 |
| 3.2 自编码网络 |
| 3.2.1 自编码网络概述 |
| 3.2.2 BP神经网络相关原理 |
| 3.2.3 基于自编码网络的特征提取 |
| 3.3 聚类相关算法 |
| 3.3.1 聚类算法概述 |
| 3.3.2 典型聚类思想 |
| 3.3.3 基于聚类的匹配优化 |
| 3.4 本章小结 |
| 第四章 基于多信号的融合型室内定位算法 |
| 4.1 算法概述 |
| 4.2 算法流程 |
| 4.3 算法各部分详解 |
| 4.3.1 离线建立指纹库 |
| 4.3.2 单步惯性定位 |
| 4.3.3 改进的指纹定位匹配 |
| 4.3.4 多信号定位结果融合修正算法 |
| 4.4 算法实测及误差分析 |
| 4.5 本章小结 |
| 第五章 基于机器学习的算法优化与改进 |
| 5.1 基于主成分分析的指纹优化 |
| 5.1.1 指纹优化流程 |
| 5.1.2 结果分析 |
| 5.2 基于自编码网络的指纹优化 |
| 5.2.1 指纹优化流程 |
| 5.2.2 网络参数设置 |
| 5.2.3 结果分析 |
| 5.3 基于聚类的匹配算法优化 |
| 5.3.1 改进的算法流程 |
| 5.3.2 结果分析 |
| 5.4 本章小结 |
| 第六章 室内定位平台设计与实现 |
| 6.1 平台系统设计 |
| 6.2 客户端功能模块实现 |
| 6.2.1 WiFi检测模块 |
| 6.2.2 惯性传感器检测模块 |
| 6.2.3 信息收发模块 |
| 6.2.4 信息呈现模块 |
| 6.3 服务器端功能模块实现 |
| 6.3.1 信息收发模块 |
| 6.3.2 建立指纹库模块 |
| 6.3.3 实时匹配定位模块 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 下一步工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间研究成果 |
（10）基于改进PDR/UWB融合的室内无缝导航定位关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 论文研究背景 |
| 1.2 针对室内行人定位技术的国内外现状研究 |
| 1.3 课题研究的目的与意义 |
| 1.4 论文主要研究内容及结构安排 |
| 第二章 基于多模态识别与运动约束的行人航位推算优化算法研究 |
| 2.1 引言 |
| 2.2 基于多模态识别与运动约束的行人航位推算优化算法总体方案 |
| 2.3 基于神经网络的行人航位推算优化算法 |
| 2.3.1 基于状态转移的步频检测模型设计 |
| 2.3.2 神经网络与差分GPS辅助的步长估计方法 |
| 2.4 基于步频特征的手持多模态识别算法 |
| 2.5 基于行人运动学机理辅助的导航误差修正模型 |
| 2.5.1 基于模态切换状态识别的航向误差修正方法 |
| 2.5.2 基于侧向速度约束的导航误差修正算法 |
| 2.6 基于多模态识别与运动约束的行人航位推算优化算法验证分析 |
| 2.6.1 实验条件说明 |
| 2.6.2 实验结果分析 |
| 2.7 本章小结 |
| 第三章 基于到达时间差的改进UWB行人精准定位方法 |
| 3.1 引言 |
| 3.2 基于UWB的行人精准定位方法 |
| 3.2.1 典型无线定位测量及解算方法 |
| 3.2.2 基于TDOA原理的定位解算算法验证与分析 |
| 3.3 基于CHAN/TAYLOR的改进UWB行人精准定位算法研究 |
| 3.3.1 基于数据拟合/卡尔曼滤波的UWB测距误差修正方法 |
| 3.3.2 基于Chan/Taylor算法的改进UWB定位方法 |
| 3.4 基于CHAN/TAYLOR的改进UWB行人精准定位算法验证与分析 |
| 3.4.1 实验条件说明 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于改进PDR/UWB机会信息的融合方法 |
| 4.1 引言 |
| 4.2 基于改进PDR/UWB机会信息融合总体方案 |
| 4.3 改进PDR/UWB机会信息的融合模型 |
| 4.3.1 基于全局卡尔曼滤波的信息融合方法 |
| 4.3.2 基于回环修正的信息融合方法 |
| 4.4 基于改进PDR/UWB机会信息的融合方法验证与分析 |
| 4.4.1 仿真条件说明 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第五章 基于改进PDR/UWB融合的室内无缝导航定位系统设计实现和实验验证 |
| 5.1 引言 |
| 5.2 基于改进PDR/UWB融合的室内无缝导航定位验证总体设计 |
| 5.3 基于改进PDR/UWB融合的室内无缝导航定位系统验证平台核心模块设计与实现 |
| 5.3.1 硬件选型和验证平台 |
| 5.3.2 数据采集模块 |
| 5.3.3 数据预处理模块 |
| 5.3.4 定位解算模块 |
| 5.4 基于改进PDR/UWB融合的室内无缝导航定位系统性能验证 |
| 5.4.1 实验条件说明 |
| 5.4.2 实验结果分析 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 本文工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、手机无线定位的实现策略和误差（论文参考文献）
- [1]NLOS环境下基于最优化理论的TDOA定位算法研究[D]. 魏佳琛. 北京邮电大学, 2021(01)
- [2]能量可收集定位系统下的目标检测[D]. 邱成润. 电子科技大学, 2021(01)
- [3]干扰环境下无线定位网络的资源分配[D]. 张睿. 南京邮电大学, 2020(03)
- [4]面向智能移动终端的多源信息融合定位关键技术研究[D]. 付潇. 北京邮电大学, 2020
- [5]基于改进BBO算法的室内无线定位方法研究[D]. 陈捷. 北京化工大学, 2020(02)
- [6]基于Wi-Fi和视频的行人追踪方法研究[D]. 杜事峰. 内蒙古大学, 2020(01)
- [7]基于智能终端的多传感器融合行人导航定位算法研究[D]. 叶俊华. 长安大学, 2020(06)
- [8]智能健康监测系统设计与研究[D]. 姚顺宇. 上海交通大学, 2020(01)
- [9]基于多信号的融合型室内定位算法研究与实现[D]. 程家印. 北京邮电大学, 2020(05)
- [10]基于改进PDR/UWB融合的室内无缝导航定位关键技术研究[D]. 徐丽敏. 南京航空航天大学, 2020(07)