文献综述（或调研报告）：
1、室内无线定位技术
室内的无线定位技术包含：蓝牙技术、红外线技术、zigbee技术、WiFi技术以及较新的UWB技术。其中，UWB技术由于其高的时间分辨率，能达到最高的定位精度，成为最具有前景的室内定位技术[1]。
测量策略包括：基于到达时间（TOA，Time of Arrival），基于接收信号强度（RSS，Received Signal Strength），基于到达时间差（TDOA，Time Difference of Arrival），基于到达角度（AOA，Angle of arrival）。比较常见的TOA/TDOA通过测量信号传播的时长，来计算基站到目标点的距离。而RSS记录下信号发射端与接收端的功率，利用自由空间损耗公式来计算基站到目标点的距离[1]。同时，这些测量数据也可以作为“指纹”录入到数据库之中，与之相对应的是基于TOA/TDOA，基于RSS的指纹定位法[6]。
位置算法包括：映射技术（指纹定位法），几何算法，统计算法。映射技术使用系统中可用的数据库作为训练数据，并通过模式匹配算法（如支持向量机（SVM，Support Vector Machine），k-NN算法（K-Nearest Neighbors），神经网络）来估计目标点的位置；几何算法通过计算球面或者双曲面的交点来估计目标点的位置；统计算法考虑到测距值存在噪声，选取各类LS估计或者ML估计来计算目标点的位置[1]。
而面向多用户的室内定位，由于只需要基站间的相互同步，TDOA应当是较为合适的选择。在[5]中，提出了一种基于TDOA测距的位置估算算法，称之为Chan-算法。Chan-算法是最大似然估计的一种近似实现，使坐标的估计值能够达到克拉美罗下限（CRLB，Cramer-Rao bound）。对于3D定位，在得到需要至少四基站的TDOA数据后（基站数越多，位置估算越精确），通过两次的加权线性LS估计，获得目标点精确的坐标估计值。但是当测距数据处于NLOS场景时，算法计算出的坐标具有较大的偏差。
2、机器学习的方法
机器学习能够基于给定数据集学习训练，构建非参数化的复杂函数关系。机器学习是一种能够利用数据学习模型，并利用生成模型进行预测的方法。其按照训练数据类型主要分为监督学习与非监督学习，前者数据具有标签，学习目的为根据特征（集）预测标签，后者则根据数据特点寻找数据内部结构与规律。
监督学习中，根据标签类型分为线性回归与逻辑回归，前者标签值连续，后者数据可归为不同类别，特征值不连续。常见的逻辑回归算法有支持向量机（SVM），相关向量机（RVM），k最近邻法（k-NN）等。
支持向量机（SVM，Support Vector Machine）[2]在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。其亦被称为最大间隔分类器，即在特征空间中根据不同类别数据分布情况构建一个超平面使不同类别之间存在最大间隔，从而实现有效分类。传统的SVM算法常应用于二分类，通过利用one vs one或者one vs all结构可以构建多类别分类器。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
