| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 身体姿势识别的研究现状 | 第16-17页 |
| 1.2.2 随机森林算法的研究现状 | 第17-18页 |
| 1.2.3 人体无线通信的研究现状 | 第18页 |
| 1.3 本文的主要内容和结构 | 第18-21页 |
| 第二章 身体姿势识别研究综述 | 第21-29页 |
| 2.1 身体姿势识别的常用方法 | 第21-27页 |
| 2.1.1 基于模板匹配的身体姿势识别方法 | 第21-23页 |
| 2.1.2 基于状态空间的身体姿势识别方法 | 第23-26页 |
| 2.1.3 基于语义描述的身体姿势识别方法 | 第26-27页 |
| 2.2 身体姿势识别的难点与发展趋势 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 随机森林算法的相关理论 | 第29-47页 |
| 3.1 决策树及相关概念 | 第29-36页 |
| 3.1.1 决策树简介 | 第29-30页 |
| 3.1.2 决策树属性的选择 | 第30-32页 |
| 3.1.3 ID3算法 | 第32-33页 |
| 3.1.4 C4.5 算法 | 第33页 |
| 3.1.5 CART算法 | 第33-34页 |
| 3.1.6 决策树的剪枝 | 第34-36页 |
| 3.2 集成学习 | 第36-38页 |
| 3.2.1 集成学习简介 | 第36页 |
| 3.2.2 Boosting方法 | 第36-37页 |
| 3.2.3 Bagging方法 | 第37-38页 |
| 3.2.4 Boosting与Bagging的区别 | 第38页 |
| 3.3 随机森林 | 第38-44页 |
| 3.3.1 随机森林算法简介 | 第38-39页 |
| 3.3.2 随机森林的定义 | 第39页 |
| 3.3.3 随机森林算法 | 第39-40页 |
| 3.3.4 随机森林算法的泛化误差 | 第40-43页 |
| 3.3.5 OOB估计 | 第43-44页 |
| 3.3.6 特征变量 | 第44页 |
| 3.3.7 变量重要性 | 第44页 |
| 3.4 随机森林的优缺点 | 第44-45页 |
| 3.4.1 随机森林的优点 | 第44-45页 |
| 3.4.2 随机森林的缺点 | 第45页 |
| 3.5 本章小结 | 第45-47页 |
| 第四章 随机森林算法在身体姿势识别中的应用 | 第47-51页 |
| 4.1 无线人体通信 | 第47-48页 |
| 4.2 无线人体通信的应用前景 | 第48页 |
| 4.3 随机森林算法应用到身体姿势识别 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 实验结果及分析 | 第51-63页 |
| 5.1 实验环境 | 第51-52页 |
| 5.2 预测结果 | 第52-55页 |
| 5.2.1 微波暗室的预测结果 | 第52-53页 |
| 5.2.2 普通实验室的预测结果 | 第53-55页 |
| 5.3 OOB误差与ntree的关系 | 第55-57页 |
| 5.3.1 微波暗室的OOB误差与ntree的关系 | 第55-56页 |
| 5.3.2 普通实验室的OOB误差与ntree的关系 | 第56-57页 |
| 5.4 变量重要性结果 | 第57-59页 |
| 5.4.1 微波暗室的变量重要性 | 第57-58页 |
| 5.4.2 普通实验室的变量重要性 | 第58-59页 |
| 5.5 OOB误差与mtry的关系 | 第59-60页 |
| 5.5.1 微波暗室OOB误差与mtry的关系 | 第59-60页 |
| 5.5.2 普通实验室 | 第60页 |
| 5.6 Treesize | 第60-62页 |
| 5.6.1 微波暗室 | 第60-61页 |
| 5.6.2 普通实验室 | 第61-62页 |
| 5.7 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 全文总结 | 第63页 |
| 6.2 工作展望 | 第63-64页 |
| 6.3 随机森林算法的改进方向 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 作者简介 | 第71-72页 |
