| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题背景以及国内外研究现状 | 第11-13页 |
| 1.1.1 课题背景 | 第11-12页 |
| 1.1.2 国内外研究现状 | 第12-13页 |
| 1.2 本文研究内容与创新 | 第13-15页 |
| 1.2.1 问题综述 | 第13-14页 |
| 1.2.2 本文主要工作与创新点 | 第14-15页 |
| 1.3 论文结构 | 第15-16页 |
| 第2章 人体行为识别的常见方法 | 第16-23页 |
| 2.1 人体行为识别的流程框架 | 第16-17页 |
| 2.2 基于视频图像的人体行为识别应用 | 第17-19页 |
| 2.3 基于传感器的人体行为识别应用 | 第19-21页 |
| 2.4 人体行为识别的应用系统对比分析 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 人体行为数据的数据处理方法 | 第23-36页 |
| 3.1 数据采集 | 第23-26页 |
| 3.1.1 数据采集流程 | 第23-24页 |
| 3.1.2 数据采集的设备选择及软件设计 | 第24-26页 |
| 3.2 数据预处理 | 第26-30页 |
| 3.2.1 数据的校正和去噪 | 第26-28页 |
| 3.2.2 合成加速度数据 | 第28-29页 |
| 3.2.3 数据分割 | 第29-30页 |
| 3.3 特征提取与特征选择 | 第30-34页 |
| 3.3.1 特征提取 | 第30-33页 |
| 3.3.2 特征选择 | 第33-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第4章 基于机器学习模型的人体行为识别 | 第36-52页 |
| 4.1 引言 | 第36页 |
| 4.2 基于K-近邻的人体行为识别 | 第36-37页 |
| 4.3 基于线性模型的人体行为识别 | 第37-40页 |
| 4.3.1 支持向量机算法原理 | 第37-39页 |
| 4.3.2 多分类线性模型应用于人体行为识别 | 第39-40页 |
| 4.4 基于非线性模型的人体行为识别 | 第40-41页 |
| 4.4.1 决策树算法原理 | 第40-41页 |
| 4.4.2 剪枝 | 第41页 |
| 4.5 机器学习模型的对比分析 | 第41-42页 |
| 4.6 数据集、实验配置与评价方式 | 第42-46页 |
| 4.6.1 数据集和实验配置 | 第42-45页 |
| 4.6.2 评价方式 | 第45-46页 |
| 4.7 实验结果及分析 | 第46-51页 |
| 4.7.1 基于线性模型的人体行为识别实验分析 | 第46-48页 |
| 4.7.2 基于决策树的人体行为识别实验分析 | 第48-51页 |
| 4.8 本章小结 | 第51-52页 |
| 第5章 基于模型融合算法的人体行为识别 | 第52-69页 |
| 5.1 引言 | 第52页 |
| 5.2 梯度提升决策树与线性模型的模型融合 | 第52-55页 |
| 5.3 基于GBDT和支持向量机模型融合的人体行为识别 | 第55-62页 |
| 5.3.1 实验结果及分析 | 第55-58页 |
| 5.3.2 GBDT参数设置的研究 | 第58-61页 |
| 5.3.3 实验结果的对比分析 | 第61-62页 |
| 5.4 支持向量机与K-近邻的模型融合 | 第62-63页 |
| 5.5 基于SVM-KNN的人体行为识别 | 第63-68页 |
| 5.5.1 实验结果及分析 | 第63-65页 |
| 5.5.2 K-近邻参数设置的研究 | 第65-66页 |
| 5.5.3 实验结果的对比分析 | 第66-68页 |
| 5.6 本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 本文总结 | 第69页 |
| 6.2 研究展望 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 攻读硕士学位期间主要的研究成果 | 第77-78页 |
| 致谢 | 第78页 |