摘要 | 第8-9页 |
ABSTRACT | 第9-10页 |
第1章 绪论 | 第14-20页 |
1.1 课题研究背景与意义 | 第14-15页 |
1.2 国内外研究现状 | 第15-17页 |
1.2.1 基于不同终端设备的运动轨迹识别研究 | 第15-16页 |
1.2.2 基于不同关键特征的运动轨迹识别研究 | 第16页 |
1.2.3 基于不同算法的运动轨迹识别研究 | 第16-17页 |
1.2.4 其它方面研究 | 第17页 |
1.3 本文研究内容 | 第17-18页 |
1.4 本文组织结构 | 第18-20页 |
第2章 基于LSTM的深度学习框架分析 | 第20-33页 |
2.1 引言 | 第20页 |
2.2 深度学习理论基础 | 第20-25页 |
2.2.1 第一阶段:感知器 | 第20-22页 |
2.2.2 第二阶段:浅层学习 | 第22-23页 |
2.2.3 第三阶段:深度学习 | 第23-25页 |
2.3 记忆神经网络 | 第25-28页 |
2.3.1 RNN | 第25-27页 |
2.3.2 LSTM | 第27-28页 |
2.4 深度学习框架 | 第28-31页 |
2.5 本章小结 | 第31-33页 |
第3章 构建智能手机运动轨迹数据集 | 第33-46页 |
3.1 引言 | 第33页 |
3.2 智能手机内置传感器系统 | 第33-36页 |
3.2.1 常见的智能手机内置传感器 | 第33-34页 |
3.2.2 三轴加速度传感器 | 第34-35页 |
3.2.3 三轴陀螺仪传感器 | 第35-36页 |
3.3 智能手机运动轨迹数据采集 | 第36-41页 |
3.3.1 采集数据工具 | 第36-37页 |
3.3.2 数据采集人员 | 第37页 |
3.3.3 智能手机运动轨迹笔画 | 第37-38页 |
3.3.4 智能手机加速度传感器的运动轨迹数据采集 | 第38-39页 |
3.3.5 智能手机加速度传感器和陀螺仪的运动轨迹数据采集 | 第39-41页 |
3.4 数据预处理 | 第41-44页 |
3.4.1 数据剔除与格式转换 | 第41-43页 |
3.4.2 数据规整 | 第43页 |
3.4.3 归一化 | 第43页 |
3.4.4 去除重力加速度分量 | 第43-44页 |
3.5 构建智能手机运动轨迹数据集 | 第44页 |
3.5.1 构建智能手机加速度传感器的运动轨迹数据集 | 第44页 |
3.5.2 构建智能手机加速度传感器和陀螺仪的运动轨迹数据集 | 第44页 |
3.6 本章小结 | 第44-46页 |
第4章 建立LSTM模型 | 第46-53页 |
4.1 引言 | 第46页 |
4.2 LSTM模型建立 | 第46-47页 |
4.2.1 LSTM理论模型 | 第46-47页 |
4.2.2 利用TensorFlow实现LSTM模型 | 第47页 |
4.3 硬件资源 | 第47页 |
4.4 利用加速度数据训练模型 | 第47-50页 |
4.4.1 加速度传感器数据集 | 第47-48页 |
4.4.2 L3-50模型参数筛选 | 第48-49页 |
4.4.3 L3-50模型训练过程 | 第49页 |
4.4.4 L3-50模型性能分析 | 第49-50页 |
4.5 利用加速度传感器和陀螺仪数据训练模型 | 第50-51页 |
4.5.1 加速度传感器和陀螺仪数据集 | 第50页 |
4.5.2 L5-70模型参数筛选 | 第50页 |
4.5.3 L5-70模型训练过程 | 第50-51页 |
4.5.4 L5-70模型性能分析 | 第51页 |
4.6 本章小结 | 第51-53页 |
第5章 智能手机运动轨迹识别系统应用 | 第53-62页 |
5.1 引言 | 第53页 |
5.2 智能车硬件系统架构 | 第53-54页 |
5.3 基于视觉的自主导航系统相关研究 | 第54-59页 |
5.3.1 LED灯光补偿去除阴影 | 第54-55页 |
5.3.2 路径识别及控制策略 | 第55-59页 |
5.4 基于运动轨迹的手动导航系统相关研究 | 第59-60页 |
5.5 结果分析与对比 | 第60-61页 |
5.6 本章小结 | 第61-62页 |
总结与展望 | 第62-63页 |
参考文献 | 第63-69页 |
致谢 | 第69-70页 |
附录A 攻读学位期间发表的学术论文及获奖情况 | 第70页 |