| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 背景与意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 存在的问题及发展方向 | 第15页 |
| 1.4 论文的研究内容 | 第15-16页 |
| 1.5 论文结构介绍 | 第16-18页 |
| 第二章 相关工作 | 第18-28页 |
| 2.1 智能手机传感器介绍 | 第18-23页 |
| 2.1.1 方向传感器 | 第18-19页 |
| 2.1.2 三轴加速度传感器 | 第19页 |
| 2.1.3 重力感应传感器 | 第19-20页 |
| 2.1.4 光线传感器 | 第20-21页 |
| 2.1.5 陀螺仪传感器 | 第21-22页 |
| 2.1.6 磁场传感器 | 第22-23页 |
| 2.2 传统分类算法介绍 | 第23-27页 |
| 2.2.1 决策树算法 | 第23页 |
| 2.2.2 K-近邻算法 | 第23-24页 |
| 2.2.3 支持向量机 | 第24-25页 |
| 2.2.4 随机森林算法 | 第25-26页 |
| 2.2.5 AdaBoost算法 | 第26页 |
| 2.2.6 朴素贝叶斯算法 | 第26-27页 |
| 2.2.7 逻辑回归算法 | 第27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于Android手机的传感器用户行为数据采集APP | 第28-41页 |
| 3.1 APP设计目标 | 第28页 |
| 3.2 APP整体架构图 | 第28-29页 |
| 3.3 APP功能模块 | 第29-35页 |
| 3.3.1 手机传感器 | 第29-30页 |
| 3.3.2 各类传感器 | 第30-32页 |
| 3.3.3 加速度传感器 | 第32-33页 |
| 3.3.4 所在经纬度 | 第33-34页 |
| 3.3.5 运动轨迹 | 第34-35页 |
| 3.4 开发环境 | 第35页 |
| 3.5 服务器端设计 | 第35-36页 |
| 3.6 Android客户端设计 | 第36页 |
| 3.7 客户端-服务器端交互 | 第36页 |
| 3.8 功能测试 | 第36-40页 |
| 3.8.1 手机传感器 | 第36-37页 |
| 3.8.2 各类传感器 | 第37页 |
| 3.8.3 加速度传感器 | 第37-38页 |
| 3.8.4 所在经纬度 | 第38页 |
| 3.8.5 运动轨迹 | 第38-39页 |
| 3.8.6 数据上传 | 第39-40页 |
| 3.9 本章小结 | 第40-41页 |
| 第四章 基于传统分类算法的行为识别 | 第41-56页 |
| 4.1 所识别的用户行为 | 第41页 |
| 4.2 数据集介绍 | 第41-42页 |
| 4.3 开发环境和所使用工具 | 第42-43页 |
| 4.4 分类算法与结果分析 | 第43-55页 |
| 4.4.1 决策树算法 | 第43-46页 |
| 4.4.2 K-最近邻算法 | 第46-48页 |
| 4.4.3 支持向量机 | 第48-49页 |
| 4.4.4 随机森林算法 | 第49-50页 |
| 4.4.5 AdaBoost算法 | 第50-52页 |
| 4.4.6 贝叶斯网络 | 第52-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 基于卷积神经网络的行为识别 | 第56-65页 |
| 5.1 本文所识别用户运动行为 | 第56页 |
| 5.2 数据预处理 | 第56-57页 |
| 5.3 特征向量 | 第57-59页 |
| 5.4 开发环境与网络结构 | 第59页 |
| 5.5 网络结构 | 第59-61页 |
| 5.6 分类结果与分析 | 第61-63页 |
| 5.7 与传统分类算法比较 | 第63-64页 |
| 5.8 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 本文工作总结 | 第65-66页 |
| 6.2 展望未来 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70页 |