| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 目录 | 第10-13页 |
| 表格 | 第13-14页 |
| 插图 | 第14-16页 |
| 算法 | 第16-17页 |
| 第一章 绪论 | 第17-35页 |
| ·引言 | 第17-18页 |
| ·研究背景及意义 | 第18-31页 |
| ·移动互联网 | 第18-20页 |
| ·情景感知 | 第20-23页 |
| ·移动智能 | 第23-29页 |
| ·行为模式挖掘 | 第29-31页 |
| ·本文研究内容和创新 | 第31-33页 |
| ·本文组织结构 | 第33-35页 |
| 第二章 相关工作总结 | 第35-47页 |
| ·引言 | 第35页 |
| ·移动用户行为模式挖掘 | 第35-39页 |
| ·移动情景感知研究 | 第39-43页 |
| ·情景感知的节能研究 | 第43-46页 |
| ·小结 | 第46-47页 |
| 第三章 高效移动用户行为模式挖掘 | 第47-73页 |
| ·引言 | 第47-48页 |
| ·问题定义 | 第48-52页 |
| ·潜在的优化策略 | 第52-59页 |
| ·移除冗余数据 | 第52-54页 |
| ·数据压缩：频繁模式树 | 第54-56页 |
| ·数据集划分 | 第56-59页 |
| ·BP-Growth：一种高效的用户行为模式挖掘方法 | 第59-64页 |
| ·实验结果和结论 | 第64-71页 |
| ·实验配置 | 第65-66页 |
| ·内存性能评估 | 第66-69页 |
| ·计算效率 | 第69-71页 |
| ·小结 | 第71-73页 |
| 第四章 节能感知的当前状态推断模型 | 第73-97页 |
| ·前言 | 第73-74页 |
| ·问题描述 | 第74-76页 |
| ·基于学习的情景感知 | 第76-79页 |
| ·稳定状态推断模型 | 第79-84页 |
| ·当前状态推断模型 | 第79-80页 |
| ·基于SVM的CSI模型 | 第80-82页 |
| ·基于决策树的CSI模型 | 第82-84页 |
| ·实验 | 第84-95页 |
| ·GPS作为高能耗传感器 | 第84-91页 |
| ·Audio Level传感器作为高能耗传感器 | 第91-94页 |
| ·讨论 | 第94-95页 |
| ·本章小结 | 第95-97页 |
| 第五章 节能感知的状态时间间隔推断模型 | 第97-117页 |
| ·前言 | 第97-98页 |
| ·状态时间间隔推断模型 | 第98-102页 |
| ·基于多元线性回归的SII模型 | 第99-100页 |
| ·基于主成分回归的SII模型 | 第100-102页 |
| ·基于学习的情景感知系统框架 | 第102-104页 |
| ·减少累积错误 | 第104-106页 |
| ·实验 | 第106-116页 |
| ·GPS情景感知 | 第106-112页 |
| ·Audio Level情景感知 | 第112-115页 |
| ·讨论 | 第115-116页 |
| ·本章小结 | 第116-117页 |
| 第六章 总结 | 第117-121页 |
| ·本文主要工作 | 第117-118页 |
| ·本文主要贡献和创新点 | 第118-119页 |
| ·进一步的研究方向 | 第119-121页 |
| 参考文献 | 第121-129页 |
| 致谢 | 第129-131页 |
| 在读期间发表的学术论文与取得的研究成果 | 第131页 |