基于Android手机和机器学习的室内室外运动状态分类系统
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 本文结构 | 第14-15页 |
| 第二章 相关背景知识介绍 | 第15-26页 |
| 2.1 安卓手机应用开发平台 | 第15-17页 |
| 2.1.1 安卓手机的历史 | 第15页 |
| 2.1.2 安卓平台的特点 | 第15-16页 |
| 2.1.3 安卓系统的架构 | 第16页 |
| 2.1.4Android Studio开发环境 | 第16-17页 |
| 2.2 安卓手机内置传感器介绍 | 第17-19页 |
| 2.2.1 GPS | 第17-18页 |
| 2.2.2 加速度器 | 第18页 |
| 2.2.3 螺旋仪 | 第18-19页 |
| 2.3 机器学习介绍 | 第19-25页 |
| 2.3.1 决策树 | 第19页 |
| 2.3.2 随机森林 | 第19-20页 |
| 2.3.3 朴素贝叶斯 | 第20-21页 |
| 2.3.4 逻辑回归 | 第21页 |
| 2.3.5 神经网络 | 第21-22页 |
| 2.3.6K近邻算法（KNN） | 第22-23页 |
| 2.3.7 支持向量机（SVM） | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 开发系统介绍 | 第26-33页 |
| 3.1 系统模型 | 第26-30页 |
| 3.2 机器学习工具 | 第30-32页 |
| 3.2.1Weka | 第30-31页 |
| 3.2.2RStudio | 第31-32页 |
| 3.3 编程构架 | 第32页 |
| 3.4 总结分析 | 第32-33页 |
| 第四章 室外运动状态分类 | 第33-44页 |
| 4.1 特征选择 | 第34-35页 |
| 4.1.1 常用统计量 | 第34页 |
| 4.1.2 选择的特征 | 第34-35页 |
| 4.2 实验 | 第35-36页 |
| 4.3 实验结果和分析 | 第36-43页 |
| 4.3.1 使用原始数据的中位数 | 第36-41页 |
| 4.3.2 随机森林和神经网络的参数改变 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 室内运动状态分类 | 第44-63页 |
| 5.1 特征选择 | 第44-46页 |
| 5.1.1 加速度器时间域特征提取算法 | 第45页 |
| 5.1.2 螺旋仪时间域特征提取算法 | 第45-46页 |
| 5.2 实验 | 第46-47页 |
| 5.3 实验结果和分析 | 第47-62页 |
| 5.3.1 原始数据 | 第47-50页 |
| 5.3.2 使用原始数据的中位数 | 第50-54页 |
| 5.3.3 假设检验的相关知识 | 第54-56页 |
| 5.3.4 假设检验及其结果分析 | 第56-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 奖励惩罚规则 | 第63-69页 |
| 6.1 规则的制定 | 第63-64页 |
| 6.2 规则编程(Android Studio) | 第64-65页 |
| 6.3 规则引擎概念 | 第65-66页 |
| 6.4 规则编程(Drools) | 第66-68页 |
| 6.5 用户体验 | 第68页 |
| 6.6 本章小结 | 第68-69页 |
| 第七章 总结与展望 | 第69-71页 |
| 7.1 本文的工作总结 | 第69-70页 |
| 7.2 进一步工作展望 | 第70-71页 |
| 参考文献 | 第71-73页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第73-74页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第74-75页 |
| 致谢 | 第75页 |
