在無線定位系統中，因為空間訊號會因干擾而讓強度降低，使得精準度會有變糟的狀況，對於這種狀況我們可以使用第四代行動網路技術中的正交分頻多工(Orthogonal frequency-division multiplexing, OFDM)以及卡爾曼濾波(Kalman Filter)來降低干擾對訊號強度的影響，使得接收信號强度指示器(Received Signal Strength Indication, RSSI)收到的訊號強度不會因干擾而有太大影響，進而使定位精確度提高。另外，不同的情境狀況會有不同的路徑消耗係數(Path Loss Coefficient)，對於不同消耗係數的狀況，我們使用支持向量機(Support Vector Machine)將資料分類，使得獲得的 RSS 值能夠有對應的路徑消耗係數，進而不會讓誤差增加。在電腦模擬中，我們使用了三種不同的情境狀況來模擬定位空間，對於不同情境，發現我們的演算法將會定位出的位置，將會因為空間大小，以及空間干擾有著不同的影響。在最後將演算法加上時間要素，並把結果以函數逼近，可以得到一個相當可信的預測結果。

In the wireless localization system, the accuracy of the localization will be reduced due to environmental interference in the area. In this study, we apply Orthogonal frequency-division multiplexing (OFDM) technology and Kalman Filter to reduce the signal interference and enhance the Received Signal Strength Indication (RSSI). In addition, the signal transmissions with different Path Loss Coefficient are characterized using Support Vector Machine (SVM) to classify the signal data travel path in different circumstances. The proposed SVM localization algorithm is implemented using Matlab codes. The simulation results indicate our proposed sensor network localization with
SVM learning can outperform the traditional RSSI/triangulation localization algorithm. In addition, the proposed algorithm is able to track the moving object with spline approximation to function and the simulation results show reasonable accuracy.

誌謝 i
中文摘要 ii
英文摘要 iii
目錄 iv
第一章　緒論 1
1.1 研究動機 1
1.2 研究目的 1
1.3 章節提要 1
第二章　文獻探討 2
2.1 三角定位法 2
2.1.1 到達時間測距法（Time Of Arrival，TOA） 2
2.1.2 到達時間差測距法（Time Difference Of Arrival，TDOA）3
2.1.3 角度到達測距法（Angle Of Arrival ，AOA） 4
2.1.4 Received Signal Strength Indicator （RSSI） 5
2.2 訊號強度與距離轉換模型 7
2.2.1自由空間模型 Free Space Model 7
2.2.2 Two Ray Ground Model 10
2.2.3遮蔽模型 Shadowing Model 11
2.3 卡爾曼濾波 13
2.3.1卡爾曼濾波的發展 13
2.3.2卡爾曼濾波器演算法 13
2.4 支持向量機 15
2.4.1 SVM原理 15
2.4.2 核心函數 16
2.5 第四代行動網路技術18
2.5.1正交頻分多工概述 18
2.5.2 OFDM歷史 18
2.5.3 OFDM實際運作 19
2.5.4 OFDM流程 23
2.5.5 資料編碼 24
2.5.6 OFDM的優勢 27
2.5.7 OFDM的劣勢 28
第三章　定位演算法設計 29
3.1 三角定位應用 29
3.2 卡爾曼濾波應用 31
3.3 支持向量機應用 35
3.4 正交頻分多工技術 39
第四章　定位演算法實作與結果 45
4.1實驗一 小型住宅 45
4.2實驗二 大型工廠 47
4.3實驗三 都市社區 49
第五章 模擬應用 53
5.1例子一 53
5.2例子二 54
第六章　結論與未來研究方向 56
第七章　參考文獻 57
表目錄 vii
圖目錄viii

中文參考文獻
陳長新，IEEE802.16a 無線都會網路傳收機設計與效能評估，國立交通大學，碩士論文，2004
林佳慧，擴展行卡爾曼濾波器於車輛定位追蹤之應用，國立臺灣海洋大學，碩士論文，2009 年7 月
顏允廷，利用移動式基地台提升無限定效能，國立中山大學，碩士論文，2009年7 月
安雷、張國良，湯文俊，基於RSSI 的機器人室內卡爾曼濾波定位算法研究，計算機工程與應用，230-232，2012 年
江叔盈，以 RSSI 為基礎之無線感測網路訂位系統研究，銘傳大學，碩士論文，2012 年7 月
林峻瑋，WiMAX 系統同頻干擾研究，大同大學，碩士論文，2011 年7 月
簡志豪、黃培壝，無線感測網路中使用 RSSI 及路徑資訊之定位演算法，第十七屆資訊管理暨實務研討會論文，2011 年12 月

英文參考文獻
Yong Soo Cho, Jaewon Kim, Won Young Yang, Chung-Gu Kang, “MIMO-OFDM Wireless Communications with MATLAB”, Korea University, October 2010, ISBN: 978-0-470-82561-7,pp. 111-142
VICTOR JUAREZ-LERIA,”TIMING-BASED LOCATION ESTIMATION FOR OFDM SIGNALS
WITH APPLICATIONS IN LTE, WLAN AND WIMAX”, Tampereen Teknillinen Yliopisto, Conference Paper, June 2012, pp. 4-21
“Matlab Simulation of an OrthogonalFrequency-Division Multiplexing (OFDM) System”, EE810–Communication Theory I, Fall 2013