| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 缩写清单 | 第12-13页 |
| 1 引言 | 第13-21页 |
| 1.1 课题研究背景及课题来源 | 第13-15页 |
| 1.2 研究目的与意义 | 第15-16页 |
| 1.3 本文的主要研究内容及创新点 | 第16-18页 |
| 1.3.1 基于可穿戴传感器的人体行为识别 | 第16-18页 |
| 1.3.2 情景模型 | 第18页 |
| 1.4 论文的结构安排 | 第18-21页 |
| 2 相关研究综述 | 第21-39页 |
| 2.1 普适计算与情景感知 | 第21-23页 |
| 2.2 深度学习 | 第23-26页 |
| 2.2.1 卷积神经网络 | 第23-24页 |
| 2.2.2 自编码器 | 第24-26页 |
| 2.3 超限学习机 | 第26-29页 |
| 2.3.1 超限学习机概述 | 第26-28页 |
| 2.3.2 超限学习机与深度学习的混合算法 | 第28-29页 |
| 2.4 人体行为识别 | 第29-33页 |
| 2.4.1 行为分类及行为的感知方式 | 第29-30页 |
| 2.4.2 基于可穿戴传感器的人体行为识别研究现状 | 第30-33页 |
| 2.5 情景模型 | 第33-38页 |
| 2.6 本章小结 | 第38-39页 |
| 3 基于DC-KELM混合深度算法模型的人体行为识别 | 第39-66页 |
| 3.1 引言 | 第39-40页 |
| 3.2 DC-KELM模型 | 第40-42页 |
| 3.2.1 原始数据输入层 | 第40页 |
| 3.2.2 卷积层和池化层 | 第40-41页 |
| 3.2.3 ML-ELM层 | 第41页 |
| 3.2.4 KELM分类层 | 第41-42页 |
| 3.3 基于可穿戴传感器的人体行为识别数据集 | 第42-44页 |
| 3.4 实验结果与分析 | 第44-65页 |
| 3.4.1 模型的性能评估指标 | 第45-46页 |
| 3.4.2 模型算法参数选择 | 第46-52页 |
| 3.4.3 实验1: 模型在基于不同类型传感器中的识别性能分析 | 第52-56页 |
| 3.4.4 实验2: 模型在US-HAR和USC-HAD数据集中的实验分析 | 第56-64页 |
| 3.4.5 实验3: 模型的跨用户行为识别实验结果分析 | 第64-65页 |
| 3.5 本章小结 | 第65-66页 |
| 4 基于US-RKELM的跨用户行为识别 | 第66-88页 |
| 4.1 引言 | 第66-67页 |
| 4.2 不确定性抽样策略 | 第67-69页 |
| 4.2.1 Least Confidence | 第67-68页 |
| 4.2.2 Margin Sampling | 第68页 |
| 4.2.3 Entropy | 第68-69页 |
| 4.3 RKELM及后验概率RKELM | 第69-73页 |
| 4.3.1 RKELM | 第69-70页 |
| 4.3.2 后验概率RKELM | 第70-73页 |
| 4.4 基于US-RKELM的跨用户行为识别方法 | 第73-77页 |
| 4.4.1 初始模型的训练 | 第74页 |
| 4.4.2 行为识别与模型的自适应更新 | 第74-77页 |
| 4.5 实验结果与分析 | 第77-86页 |
| 4.5.1 行为识别数据集及实验方法 | 第77-79页 |
| 4.5.2 实验1:US-RKELM方法对未知用户的行为识别性能分析 | 第79-83页 |
| 4.5.3 实验2:US-RKELM方法对已知用户的行为识别性能分析 | 第83-86页 |
| 4.6 本章小结 | 第86-88页 |
| 5 基于UML和CPN的用户离家场景情景模型 | 第88-103页 |
| 5.1 引言 | 第88页 |
| 5.2 智能家居环境下的日常行为识别 | 第88-90页 |
| 5.3 UML活动图到CPN的转换 | 第90-94页 |
| 5.3.1 UML活动图 | 第91-92页 |
| 5.3.2 Petri网和CPN | 第92-93页 |
| 5.3.3 UML活动图到CPN的转换规则 | 第93-94页 |
| 5.4 用户离家场景的情景感知服务建模与验证 | 第94-102页 |
| 5.4.1 基于UML活动图的离家场景情景感知服务模型 | 第95-96页 |
| 5.4.2 基于CPN的离家场景情景感知模型 | 第96-99页 |
| 5.4.3 基于CPN情景感知模型的动态仿真验证 | 第99-102页 |
| 5.5 本章小结 | 第102-103页 |
| 6 结论与展望 | 第103-105页 |
| 6.1 本文的主要工作 | 第103页 |
| 6.2 后续研究工作的展望 | 第103-105页 |
| 参考文献 | 第105-116页 |
| 作者简历及在学研究成果 | 第116-119页 |
| 学位论文数据集 | 第119页 |
