| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文主要内容和结构安排 | 第11-13页 |
| 2 基于EEMD的特征提取方法 | 第13-27页 |
| 2.1 特征提取概述 | 第13-14页 |
| 2.1.1 时域特征 | 第13-14页 |
| 2.1.2 时频特征 | 第14页 |
| 2.2 经验模态分解 | 第14-22页 |
| 2.2.1 经验模态分解方法的基本理论 | 第14-17页 |
| 2.2.2 经验模态分解举例 | 第17-18页 |
| 2.2.3 集合经验模态分解 | 第18-20页 |
| 2.2.4 EMD和EEMD方法对比分析 | 第20-22页 |
| 2.3 IMF特征能量法 | 第22-27页 |
| 2.3.1 自信息量 | 第22-23页 |
| 2.3.2 信息熵 | 第23-24页 |
| 2.3.3 基于EEMD的特征提取算法步骤 | 第24-27页 |
| 3 基于SBMLR的特征选择算法 | 第27-34页 |
| 3.1 特征选择概述 | 第27-28页 |
| 3.2 主成分分析 | 第28-29页 |
| 3.3 最大相关最小冗余 | 第29-30页 |
| 3.4 SBMLR特征选择算法 | 第30-34页 |
| 3.4.1 消除正则化参数 | 第31-32页 |
| 3.4.2 具体实现 | 第32页 |
| 3.4.3 训练方法 | 第32-34页 |
| 4 模糊最小二乘支持向量机分类方法 | 第34-44页 |
| 4.1 常用的分类方法介绍 | 第34-39页 |
| 4.1.1 k-近邻法 | 第34-35页 |
| 4.1.2 决策树 | 第35页 |
| 4.1.3 朴素贝叶斯 | 第35-36页 |
| 4.1.4 支持向量机 | 第36-39页 |
| 4.2 最小二乘支持向量机 | 第39-40页 |
| 4.3 模糊最小二乘支持向量机 | 第40-44页 |
| 5 实验结果及分析 | 第44-54页 |
| 5.1 实验数据及简介 | 第44-46页 |
| 5.2 实验一：基于EEMD分解的能量特征效果研究 | 第46-50页 |
| 5.2.1 实验数据的特征提取 | 第46-47页 |
| 5.2.2 动作识别结果及分析 | 第47-50页 |
| 5.3 实验二：SBMLR特征选择算法的效果分析 | 第50页 |
| 5.4 实验三：模糊LS-SVM分类算法的人体动作识别效果分析 | 第50-54页 |
| 5.4.1 DLAs数据集 | 第51-53页 |
| 5.4.2 WARD数据集 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-61页 |