| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究目的和意义 | 第10-11页 |
| 1.2 课题的国内外研究现状 | 第11-15页 |
| 1.2.1 人体行为识别的国内外研究现状 | 第11-13页 |
| 1.2.2 深度学习的国内外研究现状 | 第13-15页 |
| 1.3 课题研究内容及章节安排 | 第15-18页 |
| 第2章 课题相关理论知识 | 第18-32页 |
| 2.1 人体行为识别简介 | 第18-23页 |
| 2.1.1 引言 | 第18-19页 |
| 2.1.2 人体行为特征提取技术 | 第19-20页 |
| 2.1.3 人体行为识别技术 | 第20-22页 |
| 2.1.4 人体行为识别数据库 | 第22-23页 |
| 2.2 GRBM模型简介 | 第23-28页 |
| 2.2.1 引言 | 第23页 |
| 2.2.2 GRBM模型 | 第23-26页 |
| 2.2.3 GRBM模型的训练方法 | 第26-28页 |
| 2.3 卷积神经网络相关简介 | 第28-31页 |
| 2.3.1 引言 | 第28页 |
| 2.3.2 卷积神经网络整体网络结构以及前向传输过程 | 第28-29页 |
| 2.3.3 卷积神经网络的反向传输过程 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 结合卷积操作的特征识别模型的改进 | 第32-44页 |
| 3.1 引言 | 第32页 |
| 3.2 C-GRBM模型建立的建立与概率推论 | 第32-38页 |
| 3.2.1 C- GRBM模型的建立 | 第32-37页 |
| 3.2.2 C- GRBM模型的概率推论 | 第37-38页 |
| 3.3 模型有效性验证 | 第38-42页 |
| 3.3.1 C-GRBM模型的训练 | 第39-41页 |
| 3.3.2 实验结果以及分析 | 第41-42页 |
| 3.4 模型复杂度分析 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于C-GRBM模型的人体行为识别实现 | 第44-54页 |
| 4.1 引言 | 第44页 |
| 4.2 基于支持向量机的人体行为分类 | 第44-47页 |
| 4.2.1 引言 | 第44-45页 |
| 4.2.2 支持向量机 | 第45-46页 |
| 4.2.3 核函数的选择 | 第46-47页 |
| 4.3 基于C-GRBM模型的人体行为识别的实现 | 第47-50页 |
| 4.4 实验仿真与结果分析 | 第50-53页 |
| 4.4.1 实验参数设置 | 第50-51页 |
| 4.4.2 仿真实验分析 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 总结与展望 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 攻读硕士学位期间所发表的论文和取得的科研成果 | 第62-64页 |
| 致谢 | 第64页 |