基于asp.net的宿舍管理系统_学位论文.doc

《基于asp.net的宿舍管理系统_学位论文.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学号：09446335常州大学毕业设计（论文）外文翻译（2013届）外文题目AnIntelligentMulti-sensorSystemforPedestrianNavigation译文题目行人导航智能多传感器系统外文出处http://www.scirp.org/journal/PaperInformation.aspx?PaperID=342&JournalID=71学生虞祖耀学院怀德学院专业班级电子091校内指导教师段仲麒专业技术职务讲师二〇一三年三月第23页共23页行人导航智能多传感器系统摘要。在研究

2、的项目——“行人导航系统在室内或室外环境的结合”(NAVIO)，我们正在发展的现代智能系统和服务的对于行人导航和指导。在现代，先进的智能化多传感器系统应该能够使用3d方式定位一个用户的所在位置。因为卫星定位与全球导航卫星系统(GNSS,GPS等)不能在任意的环境条件下工作(如在城市,峡谷,没有卫星信号的地方和室内)，一个组合和集成其他传感器(如航迹传感器、惯性导航系统(INS),室内定位技术,手机定位等)的系统的建立是至关重要的。利用知识型系统，用我们的方法使得一个松散耦合的雇佣传感器能实现和模拟开发出一个多

3、传感器融合模型。至少我们可以看到现在知识系统是十分健全和完善的。应当依据以知识型系统来决定应该使用的传感器，从而获得当前用户的一个最优的估计位置和权重的观察。新的算法将会是一个综合巨大优势和不同的传感器工作性能的为一体的的算法，其服务质量会有显著的提高。在本文中将对基本原理的新方法进行描述。为了测试和演示我们的方法和结果,该项目需要考虑一个实际的场景,即对行人的导航指导，我们从维也纳技术大学的附近的公共交通开始着手。第一场测试的结果可能会证实,一个行人在一个城市地区，不论是在室内还是室外的环境下，这种服务都可

4、以实现高水平的绩效指导。虽然城市地区的障碍物频繁的导致卫星定位的失常，但是3D定位技术的定位标准误差仍然可以控制在几米范围内。因此，GPS可以用来弥补中断了150米航迹的观察并且提供所需的定位精度。室内区域卫星定位能被替换为室内定位系统(如。WiFi,UWB)。由于开发先进的传感器是可以被预期的,这样的多传感器解决方案将被部署在行人导航服务。对于这些已经开始的应用程序，我们坚信它们在定位服务领域将扮演一个重要的角色，在不久的将来会有一个快速的发展。关键词.行人导航、集成定位、多传感器融合、卡尔曼滤波器,、知识

5、型系统。1.介绍所研究的项目NAVIO(行人导航系统在室内环境或室外环境的结合)。我们正致力于发展现代智能导航系统和服务,为行人提供导航和指导。因而研究工作是分为三个不同的模块进行的，例如第一个模块为“综合定位”，第二个模块是“行人路径建模”和第三个模块为“多媒体路由通信”。为了测试和证明我们的方法和结果，该项目设计了一个真实的情景去模拟，例如引导游客去维也纳技术大学的某个部门。在本文中我们将集中于研究工作，并且在第一个工作环节中产生相对的结果。对于具有挑战性的任务，我们是这样处理的——有能力实时跟踪运动的行

6、人，使用不同的合适的位置的传感器，通过评估获得用户最精确的位置——可以通过三个层面、高精度的定位到用户（包括能确定一个用户在一个多层建筑中正确的所在楼层）——有能力在室内外实现无缝过渡连续定位测定第23页共23页因此，首先必须由自身经验丰富的行人提供导航支持，像位置、方向、运动的用户以及联系相关匹配的地理信息和在真实世界中所存在的问题。使用位置传感器对最适合的指导和导航服务选择进行分类。行人导航系统包括全球定位系统、全球导航卫星系统定位技术和室内定位技术，手机定位，推算传感器（如磁罗盘，陀螺仪和加速度计）用来

7、测量航向和旅行距离，以及气压传感器用来测量高度。我们建议未来的一部分研究工作应放在发展现代化的先进的移动智能传感器系统上，可以用于任何个人导航应用，特别是当个人在外地时所需要的基于定位的服务。由于卫星定位系统与导航系统（如伽利略系统、全球定位系统等），不能在任意的环境条件下工作（如在没有知名度的城市、峡谷等），结合与集成其他传感器（如推算传感器，惯性导航系统），对于实现手机定位是必不可少的。现在我们正在对一个松散耦合传感器进行处理，在一定意义上，一个混合系统的功能将会被实现。因此，它的进一步发展提出了一个利用

8、知识型系统的多传感器数据融合模型。根据我们现在所了解到的知识系统，是完全可以实现它的。应根据当前用户所获得的最佳估计位置和相对的权重观察参数，并且在基于知识系统的条件下来选择应该被使用的传感器。新的算法将极大的有益于整合不同传感器之间的性能，传感器所能提供的服务质量将大大改善。我们现在主要发展的重点将是基于知识系统的演绎的多传感器融合模型。在本文中将描述关于基本原理的新的方法。这里有一个实际中的例子