| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第16-31页 |
| 1.1. 研究背景和意义 | 第16-19页 |
| 1.2. 相关研究的进展 | 第19-29页 |
| 1.2.1. 手写文字识别 | 第19-21页 |
| 1.2.2. 书写者识别 | 第21-23页 |
| 1.2.3. 人体骨架动作识别 | 第23-26页 |
| 1.2.4. 深度学习模型和方法 | 第26-29页 |
| 1.2.5. 路径重积分理论的进展 | 第29页 |
| 1.3. 论文的研究内容、主要贡献和创新 | 第29-30页 |
| 1.4. 论文结构 | 第30-31页 |
| 第二章 路径重积分的释义 | 第31-43页 |
| 2.1. 路径重积分的数学定义和几何意义 | 第31-33页 |
| 2.2. 离散数据的路径重积分特征计算 | 第33-34页 |
| 2.3. 路径重积分的研究动机 | 第34-36页 |
| 2.4. 路径重积分基本特性 | 第36-39页 |
| 2.4.1. 唯一性 | 第36-37页 |
| 2.4.2. 平移不变性 | 第37页 |
| 2.4.3. 时间反演性 | 第37-38页 |
| 2.4.4. 时间重参数化不变性 | 第38页 |
| 2.4.5. 洗牌积等式下的非线性 | 第38-39页 |
| 2.4.6. 不同时间跨度下的维度不变性 | 第39页 |
| 2.5. 路径重积分特征在机器学习领域的进展 | 第39-42页 |
| 2.5.1. 金融数据识别和分析 | 第39-40页 |
| 2.5.2. 声音压缩 | 第40页 |
| 2.5.3. 脑磁图扫描数据模式识别 | 第40-41页 |
| 2.5.4. 手部肌电信号动作识别 | 第41-42页 |
| 2.6. 本章小结 | 第42-43页 |
| 第三章 联机手写文字识别 | 第43-66页 |
| 3.1. 引言 | 第43页 |
| 3.2. 深度神经网络的取舍样本训练方法 | 第43-51页 |
| 3.2.1. 方法动机 | 第43-46页 |
| 3.2.2. 方法分析 | 第46-48页 |
| 3.2.3. 方法实现细节 | 第48-51页 |
| 3.3. 手写领域技术增强的稀疏深度卷积网 | 第51-54页 |
| 3.3.1. 稀疏深度卷积网 | 第51-52页 |
| 3.3.2. 手写领域技术增强层 | 第52-54页 |
| 3.4. 实验部分 | 第54-64页 |
| 3.4.1. 实验数据库 | 第54-55页 |
| 3.4.2. 模型架构和参数配置 | 第55-56页 |
| 3.4.3. DCNN的遗忘曲线实验 | 第56页 |
| 3.4.4. 手写轨迹时序特征的比较实验 | 第56-57页 |
| 3.4.5. 手写领域技术增强效果实验 | 第57-58页 |
| 3.4.6. 取舍样本方法的实验 | 第58-62页 |
| 3.4.7. 结合各种手写领域技术的DCNN集成实验 | 第62-63页 |
| 3.4.8. 大规模联机手写文字识别实验 | 第63-64页 |
| 3.4.9. 讨论 | 第64页 |
| 3.5. 本章小结 | 第64-66页 |
| 第四章 旋转无关的联机手写文字识别 | 第66-78页 |
| 4.1. 引言 | 第66-67页 |
| 4.2. 层级路径重积分特征 | 第67-68页 |
| 4.3. 悬挂归一化方法 | 第68-71页 |
| 4.4. 两种手写领域技术的使用 | 第71-72页 |
| 4.4.1. 结合笔尖状态维度的路径变换方法 | 第71-72页 |
| 4.4.2. 八方向特征提取方法 | 第72页 |
| 4.5. 旋转无关的文字识别实验 | 第72-76页 |
| 4.5.1. 数据集 | 第72-73页 |
| 4.5.2. 深度神经网络的训练和参数设置 | 第73页 |
| 4.5.3. 层级路径重积分特征的实验 | 第73-75页 |
| 4.5.4. 传统特征和悬挂归一化方法的实验 | 第75-76页 |
| 4.6. 本章小结 | 第76-78页 |
| 第五章 联机笔迹的书写者识别 | 第78-90页 |
| 5.1. 引言 | 第79页 |
| 5.2. 舍笔段法 | 第79-84页 |
| 5.2.1. 书写者识别系统的难点 | 第79-80页 |
| 5.2.2. 舍笔段法分析 | 第80-82页 |
| 5.2.3. 舍笔段法实现细节 | 第82-84页 |
| 5.3. 路径重积分特征图可视化 | 第84-85页 |
| 5.4. 书写者识别DCNN模型架构和配置 | 第85-86页 |
| 5.5. 书写者识别实验 | 第86-89页 |
| 5.5.1. 数据集说明 | 第86-87页 |
| 5.5.2. 路径重积分特征相关实验 | 第87-88页 |
| 5.5.3. 舍笔段法相关实验 | 第88-89页 |
| 5.6. 本章小结 | 第89-90页 |
| 第六章 人体骨架动作识别 | 第90-110页 |
| 6.1. 引言 | 第90-91页 |
| 6.2. 路径变换后的重积分特征 | 第91-94页 |
| 6.2.1. 结合时间维度的路径 | 第91-92页 |
| 6.2.2. 重叠的层级路径 | 第92-93页 |
| 6.2.3. 多维度的超前滞后路径 | 第93-94页 |
| 6.3. 人体骨架运动轨迹的特征提取 | 第94-98页 |
| 6.3.1. 空间结构特征 | 第95-96页 |
| 6.3.2. 时间动态特征 | 第96-98页 |
| 6.4. 视频人体骨架动作识别实验分析 | 第98-109页 |
| 6.4.1. 实验数据集 | 第98-100页 |
| 6.4.2. 网络参数配置 | 第100页 |
| 6.4.3. 数据预处理和基准模型 | 第100-101页 |
| 6.4.4. 空间特征的实验 | 第101-102页 |
| 6.4.5. 时间特征的实验 | 第102-105页 |
| 6.4.6. 特征消融实验 | 第105页 |
| 6.4.7. 与目前领先的方法的对比 | 第105-109页 |
| 6.5. 本章小结和展望 | 第109-110页 |
| 总结与展望 | 第110-113页 |
| 参考文献 | 第113-130页 |
| 攻读博士学位期间取得的研究成果 | 第130-132页 |
| 致谢 | 第132-133页 |
| 附件 | 第133页 |