| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 本文主要研究工作 | 第12-13页 |
| 1.3 本文的贡献 | 第13页 |
| 1.4 本文的组织结构 | 第13-16页 |
| 第二章 用户姿态检测技术及相关技术理论 | 第16-32页 |
| 2.1 智能终端与人体姿态检测技术 | 第16-17页 |
| 2.2 用户姿态检测技术 | 第17-22页 |
| 2.2.1 基于图像的用户姿态检测技术 | 第17-19页 |
| 2.2.2 基于惯性传感器的用户姿态检测技术 | 第19-22页 |
| 2.2.3 姿态检测技术比较 | 第22页 |
| 2.3 用户姿态检测相关基础技术理论 | 第22-31页 |
| 2.3.1 傅里叶变换 | 第23-24页 |
| 2.3.2 K邻近分类算法 | 第24-25页 |
| 2.3.3 决策树分类算法 | 第25-27页 |
| 2.3.4 AdaBoost分类算法 | 第27-28页 |
| 2.3.5 随机森林分类算法 | 第28-30页 |
| 2.3.6 隐马尔科夫模型 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于智能终端的用户姿态检测算法研究 | 第32-58页 |
| 3.1 用户姿态定义 | 第32-34页 |
| 3.2 基于智能终端的用户姿态检测算法概述 | 第34-35页 |
| 3.3 数据预处理 | 第35-36页 |
| 3.4 用户姿态检测特征提取 | 第36-46页 |
| 3.4.1 时域和频域特征概述 | 第37-45页 |
| 3.4.2 基于决策树的粗粒度用户姿态检测算法特征提取 | 第45-46页 |
| 3.4.3 基于随机森林的细粒度用户姿态检测算法特征提取 | 第46页 |
| 3.5 基于层次化分类的用户姿态检测算法 | 第46-56页 |
| 3.5.1 基于气压传感器的用户姿态检测算法 | 第48-49页 |
| 3.5.2 基于决策树的粗粒度用户姿态检测算法 | 第49-51页 |
| 3.5.3 基于随机森林的细粒度用户姿态检测算法 | 第51-54页 |
| 3.5.4 隐马尔科夫模型的姿态检测校准算法 | 第54-56页 |
| 3.5.5 每种分类算法训练和分类的理论时间复杂度 | 第56页 |
| 3.6 本章小结 | 第56-58页 |
| 第四章 基于智能终端的用户姿态检测算法验证 | 第58-68页 |
| 4.1 用户姿态检测系统 | 第58-62页 |
| 4.1.1 Android端设计 | 第58-60页 |
| 4.1.2 PC端设计 | 第60-62页 |
| 4.2 实验及结果分析 | 第62-67页 |
| 4.2.1 实验平台建立 | 第62-63页 |
| 4.2.2 实验数据采集 | 第63页 |
| 4.2.3 实验结果分析 | 第63-66页 |
| 4.2.4 实验复杂度分析 | 第66-67页 |
| 4.3 本章小结 | 第67-68页 |
| 第五章 结束语 | 第68-70页 |
| 5.1 论文工作总结 | 第68-69页 |
| 5.2 下阶段研究方向 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 攻读学位期间发表的学术论文目录 | 第76页 |
