| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第17-41页 |
| 1.1 研究背景与意义 | 第17-24页 |
| 1.1.1 人体日常动作识别的应用领域 | 第18-23页 |
| 1.1.2 人体日常动作识别的技术特征 | 第23-24页 |
| 1.2 基于惯性传感器的人体日常动作识别方法的研究现状 | 第24-34页 |
| 1.2.1 数据采集系统 | 第25-27页 |
| 1.2.2 数据预处理 | 第27-28页 |
| 1.2.3 特征提取 | 第28-29页 |
| 1.2.4 特征选择 | 第29-31页 |
| 1.2.5 分类器设计 | 第31-34页 |
| 1.3 相关问题及研究现状 | 第34-39页 |
| 1.3.1 传感器固定位置偏差问题的研究现状 | 第35-36页 |
| 1.3.2 不均衡数据问题的研究现状 | 第36-38页 |
| 1.3.3 传感器交叉位置问题的研究现状 | 第38-39页 |
| 1.4 本文的主要工作和结构安排 | 第39-41页 |
| 2 日常动作识别中EEMD特征提取和基于博弈论的特征选择 | 第41-67页 |
| 2.1 引言 | 第41-43页 |
| 2.2 特征提取 | 第43-48页 |
| 2.2.1 经验模态分解 | 第43-45页 |
| 2.2.2 集合经验模态分解 | 第45-46页 |
| 2.2.3 EEMD特征的提取 | 第46-48页 |
| 2.3 基于博弈论的特征选择方法研究 | 第48-57页 |
| 2.3.1 信息评价指标 | 第48-50页 |
| 2.3.2 特征相关性度量 | 第50-51页 |
| 2.3.3 联盟博弈 | 第51-54页 |
| 2.3.4 特征选择过程 | 第54-55页 |
| 2.3.5 基于博弈论的特征选择方法 | 第55-57页 |
| 2.4 实验平台及实验数据 | 第57-58页 |
| 2.5 实验结果分析 | 第58-66页 |
| 2.5.1 EEMD特征对分类的影响 | 第60-63页 |
| 2.5.2 传感器固定位置对分类的影响 | 第63-64页 |
| 2.5.3 特征选择方法比较 | 第64-66页 |
| 2.6 结论 | 第66-67页 |
| 3 数据分布不均衡的人体动作识别研究 | 第67-88页 |
| 3.1 引言 | 第67-68页 |
| 3.2 不均衡数据对分类器的影响分析 | 第68-70页 |
| 3.3 基于混合核方法的加权极端学习机方法研究 | 第70-73页 |
| 3.3.1 加权极端学习机 | 第71-72页 |
| 3.3.2 代价敏感度函数 | 第72页 |
| 3.3.3 混合核方法 | 第72-73页 |
| 3.3.4 核函数 | 第73页 |
| 3.4 实验数据描述和评价指标 | 第73-79页 |
| 3.4.1 评价函数 | 第75页 |
| 3.4.2 实验数据 | 第75-78页 |
| 3.4.3 参数选择 | 第78-79页 |
| 3.5 实验结果分析 | 第79-87页 |
| 3.5.1 ELM、Weighted ELM与MK-WELM的比较 | 第79-86页 |
| 3.5.2 统计结果分析 | 第86-87页 |
| 3.5.3 多类不均衡问题 | 第87页 |
| 3.5.4 准确率对比 | 第87页 |
| 3.6 结论 | 第87-88页 |
| 4 基于M-RKELM方法的传感器交叉位置识别研究 | 第88-105页 |
| 4.1 引言 | 第88-89页 |
| 4.2 改进的识别算法M-RKELM | 第89-98页 |
| 4.2.1 特征提取与降维 | 第91-93页 |
| 4.2.2 M-RKELM识别算法 | 第93-96页 |
| 4.2.3 模型更新 | 第96-98页 |
| 4.3 实验数据采集 | 第98-99页 |
| 4.4 实验结果分析 | 第99-104页 |
| 4.4.1 分类算法比较 | 第99-101页 |
| 4.4.2 无模型更新算法实验 | 第101-102页 |
| 4.4.3 有模型更新算法实验 | 第102-104页 |
| 4.5 结论 | 第104-105页 |
| 5 结论与展望 | 第105-109页 |
| 5.1 结论 | 第105-106页 |
| 5.2 创新点 | 第106-107页 |
| 5.3 展望 | 第107-109页 |
| 参考文献 | 第109-119页 |
| 攻读博士学位期间科研项目及科研成果 | 第119-121页 |
| 致谢 | 第121-123页 |
| 作者简介 | 第123页 |
