基于移动终端感知的室内定位研究

发布时间：2023-07-26 18:14

　　随着物联网的发展,各种室内场景中的定位和导航需求也与日俱增。无论是商场、机场内的路线查询,还是仓库中的货品定位、家中的宠物活动监督等,都需要获取其在室内环境中的位置信息。本文以“射频拉远单元(RRU)+远端汇聚单元(P-Bridge)+基带处理单元(BBU)”网络结构为基础,研究如何根据移动终端感知到的来自各个RRU的信号强度信息来进行室内定位。针对测量阶段采集的RSS(Received Signal Strength)指纹数据及记录的位置信息,本文对基于BP神经网络的指纹定位法进行了改进,分为模型训练和定位两个阶段。在模型训练阶段,完成各个子区域内定位神经网络的训练。在定位阶段,首先,对用户感知到的RSS指纹特征进行分析,确定用户所处的子区域;然后,利用训练好的定位模型来确定用户在子区域内的相对位置坐标;最后,根据用户所处的子区域编号及子区域内的相对位置坐标来推断出用户的绝对位置坐标。仿真结果表明,与使用传统的RSS指纹定位法相比,改进后的定位模型的均方根误差减小18%左右。针对定位模型运行过程中收集到的用户的RSS指纹序列,本文设计了一种基于半监督学习的室内定位算法。首先,利用Ba...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1. 研究背景及意义
        1.1.1. 室内定位系统简介
        1.1.2. 移动终端感知简介
    1.2. 国内外研究现状
    1.3. 论文结构
第二章 基于BP神经网络的室内定位算法研究
    2.1. BP神经网络介绍
    2.2. 基于BP神经网络的室内定位算法分析
        2.2.1. RSS定位法介绍
        2.2.2. RSS定位法性能分析
    2.3. 基于BP神经网络的室内定位算法优化
        2.3.1. 基于BP神经网络的分区域室内定位法
        2.3.2. 异质设备问题的影响及解决方案
    2.4. 本章小结
第三章 基于半监督学习的室内定位算法设计与实现
    3.1. 基于Baurn-Welch算法的用户运动模型研究
        3.1.1. Baum-Welch算法介绍
        3.1.2. 基于Baum-Welch算法的用户平面运动模型
        3.1.3. 基于Baum-Welch算法的用户跨楼层运动模型
    3.2. 半监督室内定位算法设计
    3.3. 仿真结果及分析
    3.4. 小规模室内定位系统实现
    3.5. 本章小结
第四章 基于移动终端感知的室内定位激励机制设计
    4.1. 移动终端感知介绍
    4.2. 激励机制介绍
    4.3. 基于移动终端感知的室内定位激励机制设计
    4.4. 仿真结果分析
    4.5. 本章小结
第五章 总结与展望
    5.1. 总结
    5.2. 展望
参考文献
致谢



本文编号：3837312