一、支持向量机与指纹分类算法研究（论文文献综述）
陈子骁[1]（2021）在《基于射频指纹的电网无线设备入侵检测》文中提出在泛在电力物联网蓬勃发展的今天,随着智能电表等无线终端设备的普及,泛在电力物联网需要管理的无线终端设备日益增多。新的业务模式和复杂应用场景对电网无线设备终端入侵检测提出了更高的要求。以往的网络层加密手段已不能满足泛在电力物联网的应用需求。射频（Radio frequency,RF）指纹使用了终端设备固有的硬件差异进行识别,且射频指纹无法用任何其他设备进行复制。因此,基于物理层的,不可被复制替代的射频指纹识别技术受到了学者们的广泛关注。无线设备终端的射频指纹特征可以分为基于瞬态信号的特征和基于稳态信号的特征。瞬态信号的截取对于设备的采样率有较高要求。当瞬态信号截取不合适的时候,射频指纹分类识别的准确率下滑很明显。相比较而言,稳态信号比较容易被检测和提取。而且稳态信号含有大量的硬件特征信息,信号较为完整。所以,本文选择在稳态信号中提取无线设备终端的射频指纹特征。本文主要讨论基于稳态信号提取射频指纹特征的方法来分类识别无线设备终端。主要研究成果如下:本文调研并分析了射频指纹分类识别技术的三个重要环节:信号提取、射频指纹特征选择和提取、分类识别算法。本文对这三个环节的发展现状和射频指纹特征产生的机理做了详细的阐述,通过分析信号的高阶统计量,得出结论:信号高阶谱特征可以抑制高斯白噪声。然后本文进一步给出了信号双谱的性质和具体估计方法,逐一对比了五种局部积分双谱的特点,性质和它们之间的相关性,同时比较了它们在类最优鉴别子空间的投影图。在此基础上,本文提出了一种基于矩形积分双谱和选择双谱融合特征的射频指纹识别算法。最终,通过仿真实验可以得出结论,本文提出的基于矩形积分双谱和选择双谱融合特征的射频指纹识别算法对无线设备终端识别的有效性和适用性较好,特别是在低信噪比（SNR,Signalto Noise Ratio）的环境中依然保持较好的分类性能。同时通过对比实验证明,本文提出的射频指纹识别算法也适用于GFSK、OFDM、QPSK、FSK信号。在与深度学习模型的对比实验中,本方案也体现出在泛在电力物联网应用场景中的优越性。此外,本文还提出了一种基于联邦学习的射频指纹识别改进方案。通过实验证明,此方案可以有效降低模型训练时间。在泛在电力物联网应用场景中,不同本地客户端训练速度可能会有较大差距。如果采用传统的异步训练方法,模型整体的融合精度会受到一定影响。针对此问题,本文设计了本地客户端异步训练聚合参数和主动更新的机制,有效提升了异步训练时的识别准确率。本文使用Tektronix RSA6114作为接收端设备,nRF24LE1作为发射终端,通过对实际接收的信号进行处理,分别提取射频指纹特征。在同样使用支持向量机分类器进行训练和测试的情况下,本文提出的基于矩形积分双谱和选择双谱融合特征的方案准确率显着高于其它传统方案。这进一步论证了本文所提算法的有效性和可靠性。
郑晨曦[2]（2020）在《基于机器学习和蓝牙4.0的室内定位算法研究》文中研究指明近年来,随着移动互联网的迅猛发展,基于移动手机终端的位置服务需求越来越多。与此同时,室内定位技术也越来越受到重视,逐渐成为国内外研究的热点领域。然而,由于室内环境的复杂性,传统的室内定位方法并不能达到很好的定位精度和稳定性。针对以上问题,本文设计完成并改进了基于机器学习的室内定位算法。由于蓝牙4.0技术功耗低、成本低以及方便部署等特点,本文选用蓝牙4.0技术作为研究的定位方式。首先,本文利用移动手机设备在实地室内环境采集来自多个蓝牙接入点的信号强度值,构建蓝牙指纹数据库。随后通过总体数据分析研究了蓝牙信号在室内环境中的传播特性和影响因素。然后,在充分研究了蓝牙信号指纹的特点的基础上,提出融合了K-means聚类算法和支持向量机（Support Vector Machine,SVM）分类算法的两步定位算法。该方法先利用K-means聚类算法对蓝牙指纹数据库进行聚类,为蓝牙指纹数据增添类别标签。然后以类别标签作为模型的输出值,训练SVM多分类模型。接着在每一个划分好的簇内,将参考点的横纵坐标值作为模型的输出值,为每一个簇内的数据构建SVM回归定位模型。实验结果表明,结合了聚类和分类算法的室内定位方法的定位效果明显优于传统的室内定位方法,实现了更好的定位精度并且一定程度上了提升了定位效率。接着,在上述定位算法基础上,本文做出了两点改进工作:一、在特征工程构建阶段,提出了基于肯德尔相关系数的特征工程构建方法。该方法利用肯德尔相关相关系数将一个新的信号位置与位于室内环境的多个蓝牙的信号强度排序关联起来,进一步增强了蓝牙指纹的差异性,使定位模型达到更好的定位精度。二、在预测定位阶段,提出了基于隶属度的BD（Boundary points Decision,边界点判决）算法。BD算法通过控制若干变量,对模糊C均值聚类（Fuzzy C-Means,FCM）算法得到的蓝牙指纹隶属度矩阵进行分析,来识别位于聚类边界的指纹数据点,进一步提高定位的精确度。实验结果表明,融合了基于肯德尔相关系数特征和BD算法的改进型定位算法比改进之前的定位算法定位效果好,平均定位误差减小了0.1m左右,整体定位性能也更为稳定。说明构造了肯德尔系数特征以及引入BD算法后,改进后的定位算法一定程度上更好的建立了蓝牙指纹和物理坐标的映射关系,不仅提高了定位的效率,还提升了定位的精确度和稳定性。
王藜谚[3]（2019）在《基于信道状态信息的室内指纹定位算法研究》文中进行了进一步梳理随着无线设备的发展,WiFi定位技术因具有较高的普适性而成为室内定位研究领域的热门方向。然而,由于多径效应及单个接入点问题,信号度量和定位方法成为了影响定位性能的关键因素。考虑到前者的粒度与稳定性,以及后者的成本效益与鲁棒性,本文对基于信道状态信息（CSI）的指纹定位算法展开研究,主要内容如下:（1）为了提高指纹特征提取性能并增强映射拟合程度,本文提出一种基于卷积自编码器（CAE）和深度支持向量机的指纹定位算法。该算法将CSI幅度调整为图像形式作为指纹。在离线阶段,首先利用指纹数据训练CAE,随后保存CAE编码部分权重,并利用全连接层将前者与深度支持向量机整合为深度定位算法模型（CAE-DSVM）,利用该模型学习原始CSI图像与位置间复杂的映射关系;在定位阶段,将测试点指纹作为CAE-DSVM模型的输入,即可直接获取该点位置信息。仿真实验表明,在两种定位环境数据的验证下,本算法的平均定位误差分别为0.9899m、1.3452m,其精度较优于对比算法。（2）为了解决复杂室内环境中多径效应影响定位精度问题,在充分分析CSI数据的基础上,本文提出一种基于多径划分和三维卷积神经网络（3DCNN）的指纹定位算法。该算法将CSI幅度与相位图像进行聚合。在离线阶段,首先利用聚类方法分析指纹数据的簇类数量,该值代表参考点受多径效应影响程度,结合阈值原则将指纹库划分为两类多径程度的子库,并利用3DCNN深度学习两类指纹子库;在定位阶段,首先计算待测节点的簇类数量,并依据校准算法判断该点所属子库,最后利用相应3DCNN模型估计其位置。实验结果表明,本算法在复杂环境下可实现良好的定位效率的同时,能够将78%测量结果的误差控制在1.25m以内,较相关算法至少提高了28%。该论文有图38个,表19个,参考文献68篇。
王璞[4]（2019）在《基于WiFi与惯性传感器的室内定位技术研究》文中提出由于有GPS（Global Positioning System,GPS）信号的覆盖,室外定位问题可以通过GPS解决。但随着人们室内活动的范围越来越大,GPS信号无法覆盖到室内环境中给人的日常生活带来了极大的不便,如救援现场寻找被困者、大型商场找店铺大型停车场找车位等。因此对于室内定位技术的研究是十分有意义和价值的。目前,随着公共WiFi覆盖面积越来越大和带有惯性传感器智能手机的普及,WiFi技术和惯性传感器技术成为室内定位领域的热门研究方向。在室内定位中单一的定位技术具有局限性,没有一种定位技术可以在定位精度、稳定性和定位成本上都满足室内定位的需求。WiFi定位是绝对定位无累积误差,但精度低、定位结果不稳定;PDR（Pedestrian Dead Reckoning,PDR）定位短时间内精度高,但具有累积误差的特点;本文将两种定位技术的融合定位技术作为解决定位问题的突破口进行深入研究。本文的主要研究内容如下:（1）针对WiFi指纹位置定位问题,分为离线阶段和在线定位阶段两个阶段进行优化。在离线阶段,构建指纹数据库并训练定位模型,对指纹数据库中的数据进行预处理,提高了指纹数据库构建的准确性。在线定位阶段,使用基于支持向量机算法的指纹数据库定位区域划分方法,缩小了定位模型的取值范围;并提出利用帝国竞争算法优化了定位模型的参数,提高了WiFi定位精度。（2）针对基于智能手机惯性传感器PDR定位的航向角问题,对获取到的航向角进行卡尔曼滤波处理,有效地降低了室内环境和人体晃动对航向角测量的影响。针对步长估计问题,提出一种基于已知步频与步长关系的步长模型,通过少量实验数据即可准确估计步长,降低了建立步长模型的数据量。步数检测方面,运用动态阈值算法计算步数,提高了计步准确率。（3）实现了基于WiFi和PDR的融合定位系统。在平面定位中,针对WiFi定位波动大但没有累积误差和PDR短时定位精度高但具有累计误差的特点,结合两种定位方式的优势,提出一种基于位移的融合算法进行定位,实验结果表明提出的融合定位方法可以降低定位波动性、消除累积误差、提高定位精度。在立体定位中,针对基于手机气压传感器的楼层判断方法需要额外增加地面基准气压硬件设备的问题,提出一种基于动态基准的楼层判断方法,无需增加硬件设备,实验结果表明提出的楼层判断方法可以准确的判断楼层。
赵方圆[5]（2019）在《基于EMD的射频指纹提取和识别算法研究》文中认为无线通信技术的蓬勃发展引发了人们对电磁环境监测的广泛关注,随着大规模组网监测活动的展开,信号源个体进行识别成为无线通信安全中的重要研究课题。本文针对信号源设备识别算法在中低端信号采集设备中的应用需求,设计了一套射频指纹提取和识别算法,其中,不同信号源射频信号的特征通过经验模态分解算法（Empirical Mode Decomposition,EMD）的优化算法进行提取,并设计了分类方案以提升识别的准确率。本文的主要工作如下:1、进行了发射机的射频指纹特征分析。对发射机的本体特征来源进行了探究和分析,重点讨论了稳态射频指纹的形成根源,并对本文所用的射频指纹特征进行了建模分析,确定了射频指纹特征的提取和识别模型。2、提出了基于经验模态分解的优化算法对信号的射频指纹特征进行提取。首先对经验模态分解方法进行了仿真分析,并在实测数据的基础上进行实验,指出了经验模态分解算法用于实际信号时存在的问题。在此基础上,提出了一种经验模态分解算法的优化算法,包括信号预处理办法和信号分解的优化算法,从一定程度上降低了模态混叠问题对后续工作的影响,提高了信号分解结果的稳定性。并对分解后的信号进行了复杂度特征的提取,即通过数据降维操作降低了后续分类工作的复杂度。3、设计了基于组合分类器的分类识别方案。在现有的分类算法基础上,选择了神经网络分类器和支持向量机（SVM）分类器对射频指纹提取算法得到的指纹特征向量进行分类,对不同分类器的分类结果进行了分析对比。在此基础上,提出了一种基于组合分类器的分类优化方案,通过数据拆分和投票表决的方式,提升了分类识别的准确率。在整个方案完成后,对本文中提出的各种算法分阶段的进行了实测数据的仿真分析,并与文献中的算法进行了一定程度上的对比实验,通过对比结果,说明了本文算法的有效性。
戎念慈[6]（2019）在《多光谱在刑侦物证分析中的应用技术研究》文中研究表明多光谱技术是一种快速无损的分析检测技术,多光谱图像既包含了被测物的空间位置信息,同时包含了被测物的辐射和吸收信息。本文基于多光谱技术在刑侦物证分析领域的应用现状与需求,构建了一种以LED为主动照明光源的低成本多光谱成像系统,研究了该系统在血迹年龄估计、血迹探测和指纹分割等物证分析领域中的应用及其技术问题。本文构建了以8种波长LED为照明光源、以黑白CCD相机为成像单元的可见—近红外多光谱成像系统;设计了基于Windows平台以C#语言编写的多光谱软件,包括光源控制及图像采集两个功能模块,实现了自动切换照明光源和拍摄采集图像功能。研究了利用上述多光谱系统精确估计人体血液年龄的可行性,并与利用高光谱技术进行血液年龄预测的研究结果进行对比。研究了不同算法模型的预测效果,分别采用k最近邻算法,支持向量机算法,随机森林算法以及这三种模型的融合算法进行建模分析和对照,融合模型的结果最好,并且对于不同来源的血迹样本具有较好的适用性和较高的预测准确性,在02d内的平均误差为0.057d,正确分类率（Correct classification rate,CCR）达到75.6%,在320d的平均误差为0.467d,CCR达到65.6%。与利用高光谱技术进行血迹年龄预测的研究结果相当。提出了一种利用上述多光谱系统对复杂背景上血迹进行无损高效检测的方法。研究了白纸上的血迹与非血迹检测,有色基底上的血迹检测以及沾染污渍的深色衣服上的血迹的高精度检测方法。通过组合选取血液特征吸收波长与背景特征吸收波长的方法,提高了有色背景上的血迹的识别率。采用灰度拓展代替增加曝光时间的方法进行图像亮度增强以降低图像噪声,采用假彩色合成代替传统的波段融合作为图像增强手段,结合使用支持向量机算法进行建模,提高了复杂背景上血迹识别的准确率。通过布尔逻辑对血迹进行归类代替传统的以图像增强显示血迹的方法,使血迹更容易被识别。实验结果表明,上述方法识别准确率高,血迹识别图像辨识度好,深红色衣物上血迹的识别正确率达到97%。研究了利用上述多光谱系统进行指纹图像分割的方法。提出了对指纹图像依次进行初分割,形态学校正,基于支持向量机算法的二次分割,形态学校正的指纹图像分割方法。以人工标记指纹样本多光谱图像的前景块和背景块作为分割错误率的评价标准,通过比较和验证发现,与常规方法比较,本文提出的指纹图像分割方法尤其对背景复杂的指纹样本具有更低的错误率,仅为3.32%。
林振军[7]（2017）在《基于改进的支持向量机的无线定位研究》文中认为随着无线通信技术的发展,无线定位技术逐渐的成为了人们关注的焦点。传统的无线定位技术大多是基于测量距离的方式进行目标定位,但是在电磁环境日益复杂的今天,环境所带来的影响比如非视距传播,对于传统的定位系统来说,引起了传统定位系统的定位精度的下降。本文采用了改进的支持向量机无线定位方法,对定位区域进行定位。支持向量机定位本质上是属于模式识别的一种定位技术,能够高效地解决环境给测距方法所带来的问题。针对在支持向量机用于无线定位中时,参数的选择需要按照经验选择,但是会导致定位精度不稳定的问题。本文采用了一种利用模拟退火算法对支持向量机的参数进行改进的定位方法。根据蜂窝通信系统模型仿真数据来进行支持向量机训练,利用模拟退火算法迭代寻找支持向量机最优参数,利用最后得到的最优化参数对定位区域进行支持向量机定位。仿真结果表明,相对于原来的支持向量机定位方法,模拟退火算法改进的支持向量机定位方法有效提高了定位算法的定位精度,同时提高了整个定位系统的定位准确度。
张金剑[8]（2008）在《基于多分类SVM在指纹识别方向的研究》文中研究说明指纹唯一性和终生不变性的特征使其成为理想的身份确认工具。随着计算机与信息、处理技术的飞速发展,指纹识别作为是生物特征识别领域中应用最广泛的技术之一,目前普遍应用于身份验证和识别领域,特别是在电子商务、犯罪识别、信息安全等领域广泛的应用。因此,对自动指纹识别的研究具有重要的学术价值和实用价值。在指纹识别的研究中,虽然已有许多算法,但是仍存在值得研究的问题。本文对指纹图像的预处理、特征提取和分类等问题进行了研究,其中重点讨论了指纹分类,将一种快速学习方法引入到分类算法中。主要研究工作概括如下:（1）在指纹的预处理阶段,归纳和吸取了国内外学者在指纹识别算法上的研究成果,实现了指纹识别中关键的处理步骤,包括二值化、细化、特征提取等,得到比较精确的图像数据,为后面利用SVM（Support Vector Machine）进行快速识别打下基础。（2）利用FVC2004指纹图像库中32个人的200张指纹图像对SVM算法进行了实验测试,揭示了在不同支持向量机参数及类型下系统算法的性能;在算法中分别使用多种支持向量机与传统径向基函数神经网络作为分类器时的实验结果比较,揭示了支持向量机作为分类器时在所提出的系统算法中表现出的优良的泛化（generalization）性能,尤其是C3-SVM还具有很快的学习速度;实验测试结果表明所提出的指纹认证算法及系统在学习速度、识别速度与识别率方面均具有良好的性能。（3）我们使用微软公司开发的Visual C++6.0作为软件实现开发工具,还选用了英特尔公司开发的OPENCV（Open Source Computation Vision Library）计算机视觉类库。经过一系列测试,最后成功的做出基于C3-SVM的指纹识别系统,收到良好效果。由于采用了面向对象的程序设计方法,使开发出来的指纹识别系统有很好的扩展性。指纹分类环节是本文重点研究的工作。在支持向量机的理论基础之上,对指纹多类分类领域进行探索研究。使用C3-SVM多类分类理论构建多类分类体系,具有一定实用价值。
黄文艳[9]（2003）在《支持向量机与指纹分类算法研究》文中提出支持向量机是基于统计学习理论中结构风险最小化归纳原则和VC维原理的一种机器学习方法，它通过使用核函数巧妙的解决高维空间的维数灾难问题，并且具有比传统的基于统计的学习方法更好的推广性能。就支持向量机在模式识别领域中的多类分类应用而言，目前的算法多采用组合两类支持向量机分类器进行多类分类的方式。本文从另一角度出发，在研究无师学习单类支持向量机的基础上，通过三种不同的方法对其进行组合以构建多类分类器。此种构造方式使子分类器数目仅随类别数作线性增长，且子问题规模小于前一种方式中任一两类分类器的规模。将算法的验证与指纹分类问题的解决相结合，本文将指纹分为斗形、左旋、右旋、弓形、帐形五大类，初步的实验显示出了较好的分类结果。在指纹特征提取方面，本文基于Gabor滤波器从四个方向提取指纹的全局特征，并设计了相应的图形用户界面程序。
朱晓霞[10]（2006）在《基于SVM的指纹分类研究》文中认为指纹唯一性和终生不变性的特征使其成为理想的身份确认工具。随着计算机与信息处理技术的飞速发展，指纹识别作为是生物特征识别领域中应用最广泛的技术之一，目前普遍应用于身份验证和识别领域，特别是在电子商务、犯罪识别、信息安全等领域广泛的应用。因此，对自动指纹识别的研究具有重要的学术价值和实用价值。 在指纹识别的研究中，虽然已有许多算法，但是仍存在值得研究的问题。本文对指纹图像库的建立、预处理、特征提取和分类等问题进行了研究，其中重点讨论了指纹分类，提出了两种方法。主要研究工作概括如下： 1．采集指纹原始数据，建立了一个容量为4000枚指纹图像的指纹模板库。本指纹库使用图像及其特征信息的存储路径作为数据成员，减小了数据的容量以便提高检索的速度。结合本文的分类算法具体实现了一种新型的指纹数据库多级检索方法，该方法比使用指纹纹形、脊线数目和指纹码多级检索方法的速度快26.4％。 2．预处理阶段，分析对比了Gabor滤波算法，选择自适应的指纹图像增强滤波器进行图像增强，同传统的Gabor滤波器相比，该方法具有产生虚假纹线少，时间开销小等优点。 3．基于支持向量机理论，提出了两种指纹多类分类的方法并且编程实现，研究初期设计了一个粗细两级分类系统，根据1-a-r的多类分类思想，使用了五个支持向量机。该分类系统较大幅度的提高了正确率，平均分类正确率可以达到96.4％。但是在分类的过程中，由于使用支持向量机的数目较多，影响了分类的速度。因此在进一步的研究工作中引入二叉分类树决策理论对分类系统改进，提出了一种二叉树和支持向量机理论相结合的方法。该方法简化了整个分类系统的结构框架，仅仅在次级子节点的二类分类中使用支持向量机，将支持向量机的数目由原来的五个减少为三个，大大提高了分类的效率，将分类的正确率提高到97.9％。 指纹分类环节是本文重点研究的工作。在支持向量机的理论基础之上，对指纹多类分类领域进行探索。使用1-a-r的多类分类理论和二叉树理论同SVM
二、支持向量机与指纹分类算法研究（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、支持向量机与指纹分类算法研究（论文提纲范文）
（1）基于射频指纹的电网无线设备入侵检测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及其意义 |
| 1.2 研究内容与现状 |
| 1.2.1 射频信号检测的发展现状 |
| 1.2.2 射频指纹特征提取技术的发展现状 |
| 1.2.3 分类算法的发展现状 |
| 1.3 本文主要内容与创新点 |
| 1.4 论文结构安排 |
| 第二章 射频指纹和分类识别算法概述 |
| 2.1 射频指纹特征产生原理 |
| 2.2 射频指纹特征的特性 |
| 2.3 基于射频信号高阶统计量的射频指纹特征提取 |
| 2.3.1 高阶统计量 |
| 2.3.2 信号双谱特征及其估计方法 |
| 2.3.3 基于局部积分双谱的射频指纹特征提取 |
| 2.4 神经网络分类算法 |
| 2.4.1 神经元模型 |
| 2.4.2 径向基神经网络 |
| 2.5 K邻近算法 |
| 2.6 支持向量机分类算法 |
| 2.6.1 间隔与支持向量 |
| 2.6.2 核函数 |
| 2.7 联邦学习算法框架 |
| 2.7.1 联邦学习算法的生命周期 |
| 2.7.2 联邦学习训练过程 |
| 2.8 本章小结 |
| 第三章 基于信号双谱融合特征的射频指纹识别算法 |
| 3.1 基于矩形积分双谱和选择双谱的融合特征 |
| 3.1.1 射频指纹特征设计 |
| 3.1.2 射频指纹分类识别方案设计 |
| 3.2 算法流程 |
| 3.3 仿真结果与分析 |
| 3.3.1 实验系统设置 |
| 3.3.2 实验数据介绍 |
| 3.3.3 实验结果和模型评估 |
| 3.4 本章小结 |
| 第四章 基于联邦学习的射频指纹识别方案改进 |
| 4.1 射频指纹识别方案面临的问题 |
| 4.2 基于联邦学习的模型架构 |
| 4.3 仿真结果与分析 |
| 4.3.1 实验结果与模型评估 |
| 4.4 本章小结 |
| 第五章 研究工作总结及展望 |
| 5.1 研究工作总结 |
| 5.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
| 攻读学位期间参加项目 |
（2）基于机器学习和蓝牙4.0的室内定位算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外室内定位技术研究现状 |
| 1.3 基于机器学习的室内定位方法研究现状 |
| 1.4 本文主要工作与章节安排 |
| 第二章 相关知识理论 |
| 2.1 室内定位方法原理 |
| 2.1.1 几何室内定位方法 |
| 2.1.2 基于信号强度的指纹室内定位法 |
| 2.2 常见的室内定位技术 |
| 2.2.1 WiFi室内定位技术 |
| 2.2.2 RFID室内定位技术 |
| 2.2.3 蓝牙4.0室内定位技术 |
| 2.3 机器学习相关理论 |
| 2.3.1 机器学习基本原理 |
| 2.3.2 机器学习相关概念 |
| 2.3.3 机器学习算法介绍 |
| 2.4 本章小结 |
| 第三章 基于机器学习和蓝牙4.0的室内定位算法研究 |
| 3.1 蓝牙指纹库的建立 |
| 3.2 蓝牙指纹数据的分布特征 |
| 3.3 基于K-means和支持向量机的室内定位算法 |
| 3.3.1 定位算法流程 |
| 3.3.2 算法实验仿真与结果分析 |
| 3.4 本章小结 |
| 第四章 基于机器学习和蓝牙4.0的室内定位算法改进研究 |
| 4.1 基于肯德尔相关系数的特征工程 |
| 4.2 聚类算法的改进 |
| 4.2.1 FCM算法 |
| 4.2.2 基于隶属度的BD算法 |
| 4.3 改进的基于机器学习的室内定位算法 |
| 4.3.1 改进的定位算法流程 |
| 4.3.2 改进的算法实验仿真与结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）基于信道状态信息的室内指纹定位算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 研究现状 |
| 1.3 主要工作及结构安排 |
| 2 理论基础 |
| 2.1 测距定位技术 |
| 2.2 指纹定位技术 |
| 2.3 指纹定位技术的优势分析 |
| 2.4 信道状态信息 |
| 2.5 本章小结 |
| 3 基于卷积自编码器和深度支持向量机的指纹定位算法 |
| 3.1 引言 |
| 3.2 典型的指纹特征提取方法 |
| 3.3 基于卷积自编码器的指纹特征提取算法 |
| 3.4 基于CAE-DSVM模型的指纹匹配算法 |
| 3.5 融合CAE与 DSVM的改进定位算法 |
| 3.6 仿真实验与分析 |
| 3.7 本章小结 |
| 4 基于多径划分和三维卷积神经网络的指纹定位算法 |
| 4.1 引言 |
| 4.2 传统的指纹库构建方法 |
| 4.3 多径划分的指纹库构建方法 |
| 4.4 基于3DCNN的位置估计算法 |
| 4.5 校准算法 |
| 4.6 融合多径划分与3DCNN的自校准改进定位算法 |
| 4.7 实验分析 |
| 4.8 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）基于WiFi与惯性传感器的室内定位技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 室内定位国内外研究现状 |
| 1.2.1 几种常见室内定位技术 |
| 1.2.2 国内外研究现状 |
| 1.3 本文研究的主要内容 |
| 1.4 论文结构安排 |
| 2 室内定位系统模型 |
| 2.1 WiFi定位技术 |
| 2.1.1 基于测距的定位算法 |
| 2.1.2 位置指纹匹配定位算法 |
| 2.2 惯性定位技术 |
| 2.2.1 基于惯性传感器的积分定位 |
| 2.2.2 基于惯性传感器的行人航迹定位(PDR) |
| 2.3 WiFi和惯性传感器融合定位的定位算法 |
| 2.4 本章小结 |
| 3 基于支持向量机的WiFi位置指纹定位算法 |
| 3.1 构建WiFi位置指纹数据库 |
| 3.1.1 WiFi信号的采集及影响因素 |
| 3.1.2 指纹数据预处理 |
| 3.1.3 构建指纹数据库网格大小的设置 |
| 3.1.4 WiFi指纹数据库的建立 |
| 3.2 基于支持向量机的室内定位模型 |
| 3.2.1 支持向量机算法 |
| 3.2.2 核函数和惩罚系数 |
| 3.2.3 构建支持向量机的室内定位模型 |
| 3.3 改进的基于支持向量机的室内定位 |
| 3.3.1 帝国竞争优化算法 |
| 3.3.2 基于帝国竞争算法优化的SVR定位算法 |
| 3.4 实验与分析 |
| 3.5 本章小结 |
| 4 基于智能手机惯性传感器的行人航迹定位(PDR) |
| 4.1 步数检测 |
| 4.2 步长估计 |
| 4.2.1 步长估计模型 |
| 4.2.2 改进的步长估计模型 |
| 4.3 行人航向角 |
| 4.3.1 航向角的获取 |
| 4.3.2 基于卡尔曼滤波的航向角处理 |
| 4.4 实验与分析 |
| 4.4.1 步长估计实验 |
| 4.4.2 步数检测实验 |
| 4.4.3 航向角估计实验 |
| 4.4.4 PDR定位实验 |
| 4.5 本章总结 |
| 5 基于WiFi和惯性传感器的融合定位 |
| 5.1 基于WiFi和 PDR的融合定位算法 |
| 5.2 基于气压传感器的楼层判别 |
| 5.3 实验与分析 |
| 5.3.1 楼层判别实验 |
| 5.3.2 融合定位实验 |
| 5.4 本章总结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（5）基于EMD的射频指纹提取和识别算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状及发展态势 |
| 1.2.1 射频指纹的研究现状 |
| 1.2.2 分类方法的研究现状 |
| 1.3 研究目标与研究内容 |
| 1.4 论文目录及结构安排 |
| 第二章 发射机射频指纹特征的研究 |
| 2.1 发射机的射频指纹特征简述 |
| 2.2 本文射频指纹提取和识别模型 |
| 2.2.1 射频指纹特征分析 |
| 2.2.2 射频指纹提取和识别模型 |
| 2.3 本章小结 |
| 第三章 基于经验模态分解的射频指纹提取与分析 |
| 3.1 经验模态分解的算法实现 |
| 3.1.1 瞬时频率和本征模态函数 |
| 3.1.2 经验模态分解的算法流程 |
| 3.1.3 经验模态分解的算法分析 |
| 3.2 经验模态分解的仿真分析 |
| 3.2.1 理想情况下的经验模态分解 |
| 3.2.2 加噪情况下的经验模态分解 |
| 3.3 经验模态分解的实测分析 |
| 3.3.1 实验条件 |
| 3.3.2 实验流程和实验结果 |
| 3.3.3 结果分析 |
| 3.4 本章小结 |
| 第四章 基于经验模态分解的射频指纹提取改进方法 |
| 4.1 引言 |
| 4.2 基于经验模态分解改进算法的信号处理流程 |
| 4.2.1 信号预处理算法 |
| 4.2.2 信号自相关特征分析 |
| 4.2.3 改进算法流程 |
| 4.2.4 实测数据分析 |
| 4.3 基于分形理论的复杂度特征提取 |
| 4.3.1 复杂度特征概述 |
| 4.3.2 分形维数特征的选择 |
| 4.3.3 基于盒维数的特征提取与实现 |
| 4.3.4 实测数据分析 |
| 4.4 本章小结 |
| 第五章 分类器设计与结果分析 |
| 5.1 基于神经网络的信号源设备识别 |
| 5.1.1 神经元模型 |
| 5.1.2 人工神经网络分类性能测试 |
| 5.2 基于支持向量机的信号源设备识别 |
| 5.2.1 间隔与支持向量 |
| 5.2.2 核函数选择 |
| 5.2.3 支持向量机(SVM)分类性能测试 |
| 5.3 分类方案设计 |
| 5.3.1 组合分类器 |
| 5.3.2 优化分类器设计 |
| 5.3.3 优化分类器分类性能测试 |
| 5.4 算法性能对比 |
| 5.5 本章小结 |
| 第六章 总结及展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间的学术成果 |
（6）多光谱在刑侦物证分析中的应用技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景 |
| 1.2 血迹和指纹检测的现有方法 |
| 1.2.1 血迹年龄估计方法 |
| 1.2.2 血迹检测方法 |
| 1.2.3 指纹检测方法 |
| 1.3 基于反射光谱法的血迹和指纹检测及研究现状 |
| 1.4 多光谱技术介绍 |
| 1.4.1 多光谱技术的基本原理 |
| 1.4.2 多光谱技术与高光谱技术的区别 |
| 1.5 本课题的提出及难点 |
| 1.6 本文的主要内容和结构安排 |
| 第二章 基于LED照明的可见—近红外多光谱成像系统搭建 |
| 2.1 多光谱仪器及本文研制目标 |
| 2.1.1 多光谱仪器介绍 |
| 2.1.2 多光谱仪器分类 |
| 2.1.3 刑侦对多光谱仪器的需求及仪器选择 |
| 2.1.4 高光谱仪器对比 |
| 2.2 光源选型及其控制 |
| 2.2.1 照明LED选型 |
| 2.2.2 LED驱动及控制部分设计 |
| 2.2.3 LED光纤耦合部分设计 |
| 2.2.4 照明角度选择 |
| 2.3 图像采集控制与实现 |
| 2.3.1 图像采集软件 |
| 2.3.2 相机选型 |
| 2.4 本章小结 |
| 第三章 基于多光谱与模型融合方法的血迹年龄估计 |
| 3.1 方法描述 |
| 3.2 实验仪器与样本制备 |
| 3.2.1 实验仪器 |
| 3.2.2 样本制备及采集 |
| 3.3 数据获取及预处理 |
| 3.3.1 图像采集 |
| 3.3.2 模型评价标准 |
| 3.3.3 反射率计算 |
| 3.3.4 SNV预处理 |
| 3.4 算法建模及多种模型结果对比 |
| 3.4.1 k-NN算法建模及结果 |
| 3.4.2 SVM算法建模及结果 |
| 3.4.3 RF算法建模及结果 |
| 3.4.4 融合算法建模及结果 |
| 3.5 本章小结 |
| 第四章 基于多光谱的复杂背景血迹检测 |
| 4.1 血迹识别原理及方法描述 |
| 4.2 血迹与其他红色物质的区分 |
| 4.2.1 采集仪器 |
| 4.2.2 样品制备及多光谱图像采集 |
| 4.2.3 基于支持向量机的血迹分辨结果与分析 |
| 4.2.4 小结 |
| 4.3 有色基底上的血迹识别 |
| 4.3.1 样品制备及多光谱图像采集 |
| 4.3.2 图像预处理 |
| 4.3.3 基于支持向量机的有色基底上的血迹识别 |
| 4.3.4 小结 |
| 4.4 沾染污渍的深红色衣物上的血迹识别 |
| 4.4.1 样品制备及多光谱图像采集 |
| 4.4.2 图像预处理 |
| 4.4.3 基于支持向量机的血迹检测方法 |
| 4.4.4 小结 |
| 4.5 本章小结 |
| 第五章 基于多光谱的指纹图像分割方法研究 |
| 5.1 实验方法描述 |
| 5.2 样本及实验采集仪器 |
| 5.3 图像采集及模型评价标准 |
| 5.4 图像初分割 |
| 5.5 图像二次分割 |
| 5.6 模型分割结果及对比 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 本论文的主要内容与创新点 |
| 6.2 展望与未来 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（7）基于改进的支持向量机的无线定位研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景、目的和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的结构安排 |
| 第2章 无线定位技术 |
| 2.1 基于距离测量的无线定位 |
| 2.1.1 接收信号场强定位 |
| 2.1.2 到达时间定位 |
| 2.1.3 到达时间差定位 |
| 2.1.4 到达角度定位 |
| 2.2 影响基于测距的无线定位技术的主要因素 |
| 2.2.1 非视距传输 |
| 2.2.2 多径效应 |
| 2.2.3 阴影衰落 |
| 2.3 指纹定位技术原理 |
| 2.4 指纹定位技术 |
| 2.4.1 概率性指纹定位技术 |
| 2.4.2 确定性指纹定位 |
| 2.5 本章小结 |
| 第3章 支持向量机模型及模拟退火算法 |
| 3.1 统计学习理论 |
| 3.1.1 结构风险最小原理 |
| 3.1.2 VC维理论 |
| 3.1.3 推广性的界 |
| 3.2 支持向量机原理概述 |
| 3.3 模拟退火算法概述 |
| 3.3.1 固体退火过程 |
| 3.3.2 模拟退火算法模型 |
| 3.3.3 模拟退火算法实现的基本步骤 |
| 3.3.4 关键参数的调控 |
| 3.4 本章小结 |
| 第4章 学习型定位技术 |
| 4.1 基于人工神经网络的无线定位算法 |
| 4.1.1 学习训练过程 |
| 4.1.2 神经网络的神经元 |
| 4.1.3 神经网络的正向传播 |
| 4.1.4 BP神经网络的反向传播 |
| 4.2 基于核函数的无线定位算法 |
| 4.3 基于支持向量机的无线定位 |
| 4.4 本章小结 |
| 第5章 基于模拟退火算法改进的支持向量机定位 |
| 5.1 改进的支持向量机定位整体流程 |
| 5.2 训练数据的采集 |
| 5.3 分层预测的网格划分 |
| 5.4 支持向量机模型定位建模 |
| 5.4.1 多分类算法 |
| 5.4.2 核函数的选取 |
| 5.4.3 模拟退火改进支持向量机的定位模型 |
| 5.5 定位算法性能评价标准 |
| 5.6 定位性能分析 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（8）基于多分类SVM在指纹识别方向的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 绪论 |
| 1.1 生物识别技术 |
| 1.2 指纹识别技术发展概况 |
| 1.3 机器学习的研究背景 |
| 1.4 国内外研究现状 |
| 1.5 研究内容与意义 |
| 1.6 论文的组织结构 |
| 2 指纹图像的预处理及特征提取 |
| 2.1 引言 |
| 2.2 指纹图像的基本特征 |
| 2.3 指纹图像的预处理 |
| 2.3.1 归一化处理 |
| 2.3.2 点方向图的计算 |
| 2.3.3 图像分割 |
| 2.3.4 块方向图 |
| 2.3.5 方向图滤波 |
| 2.3.6 指纹图像二值化 |
| 2.4 指纹细节特征选定和提取 |
| 2.4.1 指纹细节特征选定 |
| 2.4.2 细节指纹特征的提取 |
| 2.5 实验结果和结论 |
| 2.6 本章小结 |
| 3 支持向量机学习算法概述 |
| 3.1 支持向量机的概述 |
| 3.1.1 支持向量机方法的优点 |
| 3.1.2 SVM和神经网络方法简单比较 |
| 3.2 统计学习理论 |
| 3.2.1 经验风险 |
| 3.2.2 VC维 |
| 3.2.3 学习过程的一致性 |
| 3.2.4 构风险最小归纳原理 |
| 3.3 支持向量机 |
| 3.3.1 最优超平面 |
| 3.3.2 核函数 |
| 3.3.3 支持向量机的数学模型 |
| 3.4 SVM的训练算法 |
| 3.5 多类问题中的SVM |
| 3.6 本章小结 |
| 4 基于SVM的指纹多分类认证方法与系统研究 |
| 4.1 研究背景 |
| 4.2 多分类支持向量机模型 |
| 4.3 指纹鉴别方法及步骤 |
| 4.4 指纹认证方法与模型系统 |
| 4.4.1 指纹认证方法步骤 |
| 4.4.2 利用FVC2004指纹图像库进行的指纹认证方法实验 |
| 4.4.3 指纹认证模型系统的设计与实现 |
| 4.4.4 实验设计 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（9）支持向量机与指纹分类算法研究（论文提纲范文）
| 第一章 绪论 |
| §1-1 引言 |
| §1-2 统计学习理论 |
| 1-2-1 机器学习的基本问题 |
| 1-2-2 统计学习理论的核心内容 |
| §1-3 生物识别技术与指纹识别 |
| 1-3-1 生物识别技术简介 |
| 1-3-2 指纹识别技术历史 |
| 1-3-3 指纹分类 |
| §1-4 本文的主要工作 |
| 第二章 支持向量机 |
| §2-1 支持向量机 |
| 2-1-1 线性支持向量机 |
| 2-1-2 非线性支持向量机 |
| §2-2 支持向量机多值分类器 |
| 2-2-1 完全多类支持向量机 |
| 2-2-2 组合多类支持向量机 |
| §2-3 算法及仿真计算结果 |
| 2-3-1 EEG问题简介 |
| 2-3-2 仿真实验 |
| 第三章 指纹特征提取 |
| §3-1 指纹中心点确定 |
| §3-2 区域截取及分块规格化 |
| §3-3 方向滤波 |
| §3-4 特征值计算 |
| §3-5 应用程序界面设计 |
| 第四章 指纹分类 |
| §4-1 概念及研究现状 |
| §4-2 构建支持向量机多类分类器 |
| 4-2-1 单类支持向量机 |
| 4-2-2 基于单类支持向量机构建多类分类器 |
| §4-3 实验与结果分析 |
| 4-3-1 数据准备 |
| 4-3-2 实验分析 |
| 第五章 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所取得的相关科研成果 |
（10）基于SVM的指纹分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 生物识别技术 |
| 1.3 指纹识别技术 |
| 1.3.1 发展概况 |
| 1.3.2 指纹识别的评价指标 |
| 1.3.3 指纹识别的前景 |
| 1.4 小结及本文结构 |
| 第二章 指纹库建立 |
| 2.1 引言 |
| 2.2 指纹采集仪特性 |
| 2.3 指纹库的建立 |
| 2.3.1 指纹库研究现状概述 |
| 2.3.2 指纹库设计 |
| 2.3.3 指纹库参数指标 |
| 2.4 小结 |
| 第三章 预处理 |
| 3.1 引言 |
| 3.2 预处理的步骤 |
| 3.2.1 指纹图像的归一化 |
| 3.2.2 局部方向估计和局部频率估计 |
| 3.2.3 滤波增强 |
| 3.2.4 二值化 |
| 3.2.5 细化 |
| 3.3 小结 |
| 第四章 特征提取 |
| 4.1 特征提取 |
| 4.1.1 指纹图像的特征 |
| 4.1.2 特征提取研究现状 |
| 4.2 奇异点检测原理 |
| 4.2.1 求解方向图 |
| 4.2.2 检测奇异点 |
| 4.3 小结 |
| 第五章 指纹多类分类 |
| 5.1 研究背景与现状 |
| 5.2 分类的理论基础 |
| 5.2.1 引言 |
| 5.2.1 同神经网络的比较 |
| 5.2.3 基本原理 |
| 5.3 基于SVM的指纹多类分类 |
| 5.3.1 1-a-r方法 |
| 5.3.2 1-a-1方法 |
| 5.3.3 DDAGSVM方法 |
| 5.3.4 纠错编码SVMs |
| 5.3.5 层次SVMs |
| 5.4 基于1-a-r的SVM指纹粗细分类体系 |
| 5.4.1 分类原理 |
| 5.4.2 算法实现步骤 |
| 5.4.3 实验结果 |
| 5.4.4 结论 |
| 5.5 基于二叉树的SVM指纹粗细分类体系 |
| 5.5.1 分类原理 |
| 5.5.2 算法实现步骤 |
| 5.5.3 实验结果 |
| 5.5.4 结论 |
| 5.6 小结 |
| 第六章 模式匹配 |
| 6.1 研究现状概述 |
| 6.1.1 基于点模式匹配算法 |
| 6.1.2 基于纹理模式匹配算法 |
| 6.1.3 基于图的匹配算法 |
| 6.2 基于点模式匹配的指纹特征匹配算法 |
| 6.2.1 点模式匹配简介 |
| 6.2.2 前人的点模式匹配算法 |
| 6.3 点模式匹配中的刚性匹配和弹性匹配 |
| 6.4 基于细节点匹配方法的优势和缺陷 |
| 第七章 结束语 |
| 7.1 本文工作小结 |
| 7.2 今后的研究与展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士学位期间的研究成果 |
| 学位论文评阅及答辩情况表 |
四、支持向量机与指纹分类算法研究（论文参考文献）
- [1]基于射频指纹的电网无线设备入侵检测[D]. 陈子骁. 北京邮电大学, 2021(01)
- [2]基于机器学习和蓝牙4.0的室内定位算法研究[D]. 郑晨曦. 西安电子科技大学, 2020(05)
- [3]基于信道状态信息的室内指纹定位算法研究[D]. 王藜谚. 辽宁工程技术大学, 2019(07)
- [4]基于WiFi与惯性传感器的室内定位技术研究[D]. 王璞. 兰州交通大学, 2019(04)
- [5]基于EMD的射频指纹提取和识别算法研究[D]. 赵方圆. 电子科技大学, 2019(01)
- [6]多光谱在刑侦物证分析中的应用技术研究[D]. 戎念慈. 上海交通大学, 2019(06)
- [7]基于改进的支持向量机的无线定位研究[D]. 林振军. 天津大学, 2017(09)
- [8]基于多分类SVM在指纹识别方向的研究[D]. 张金剑. 安徽理工大学, 2008(03)
- [9]支持向量机与指纹分类算法研究[D]. 黄文艳. 河北工业大学, 2003(01)
- [10]基于SVM的指纹分类研究[D]. 朱晓霞. 山东大学, 2006(12)