基于802.11a长训练序列的手势识别方法及应用研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 手势识别研究现状 | 第10-11页 |
| 1.3 基于802.11a信号的手势识别方案 | 第11-13页 |
| 1.4 论文的主要研究内容及创新点 | 第13-14页 |
| 1.5 主要工作与组织结构 | 第14-15页 |
| 第二章 基于WiFi信号的特征提取方法 | 第15-25页 |
| 2.1 802.11a协议物理层帧结构特性分析 | 第15-17页 |
| 2.1.1 帧结构分析 | 第15页 |
| 2.1.2 训练序列特性分析 | 第15-17页 |
| 2.2 基于802.11a信号的特征提取方案 | 第17-19页 |
| 2.2.1 传统特征提取方法 | 第17-18页 |
| 2.2.2 本文的特征提取方法 | 第18-19页 |
| 2.3 基于802.11a信号的频偏估计特征提取 | 第19-22页 |
| 2.4 基于802.11a信号的信道估计特征提取 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第三章 基于SVM的手势识别应用分析及研究 | 第25-43页 |
| 3.1 识别场景设计以及数据采集 | 第25-30页 |
| 3.1.1 软件无线电平台(Sora) | 第25-27页 |
| 3.1.2 手势识别场景的设计 | 第27-28页 |
| 3.1.3 手势动作的定义 | 第28页 |
| 3.1.4 数据采集以及预处理 | 第28-30页 |
| 3.2 分类算法简述与选择 | 第30-32页 |
| 3.2.1 分类算法简述 | 第31页 |
| 3.2.2 算法优缺点比较 | 第31-32页 |
| 3.3 支持向量机简述 | 第32-35页 |
| 3.3.1 分类算法原理 | 第33-35页 |
| 3.3.2 参数优化 | 第35页 |
| 3.4 特征提取方法性能分析与验证 | 第35-37页 |
| 3.5 基于SVM的应用仿真分析 | 第37-42页 |
| 3.5.1 分类训练与识别 | 第37-38页 |
| 3.5.2 粒子群优化算法优化参数 | 第38-39页 |
| 3.5.3 样本融合性能分析 | 第39-40页 |
| 3.5.4 不同分类算法识别率比较 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 基于手势识别的人机交互系统 | 第43-49页 |
| 4.1 人机交互系统 | 第43-45页 |
| 4.1.1 系统总体介绍 | 第43-44页 |
| 4.1.2 现场训练功能 | 第44-45页 |
| 4.1.3 实时处理功能 | 第45页 |
| 4.2 人机交互系统GUI | 第45-48页 |
| 4.2.1 Python以及wxPython简介 | 第45-46页 |
| 4.2.2 系统界面 | 第46-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 论文的主要研究成果 | 第49页 |
| 5.2 下一步研究工作展望 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 致谢 | 第57-58页 |
| 作者攻读学位期间发表的学术论文目录 | 第58页 |
