基于WLAN的位置指纹室内定位技术

《基于WLAN的位置指纹室内定位技术》以基于位置的服务（LBS）为背景，围绕如何降低RSS信号的随机性这一关键问题，对基于WLAN指纹定位的定位区域聚类、AP选择以及RSS信号定位特征提取等主要内容进行了重点阐述。《基于WLAN的位置指纹室内定位技术》共6章，第1～2章介绍了位置服务与定位技术的发展和现状，第3章详细介绍了基于WLAN的位置指纹的定位理论，第4章详细阐述在AP密集分布的较大室内环境下RSS信号的分布特点，第5章重点阐述RSS信号的AP选择和特征提取技术，第6章则详细介绍了RSS信号的聚类算法和基于机器学习的室内定位方法。本书可供从事室内定位技术研究的科研院所、设计部门和生产企业的技术人员参考，也适合高等学校通信工程、网络工程以及信息管理与信息系统等相关专业的师生使用。

《智能科学技术著作丛书》序序
前言
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(KI>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信号是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