基于步态的移动设备无打扰身份认证技术研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 身份认证技术研究现状 | 第15-17页 |
| 1.3 机器学习的发展现状 | 第17-18页 |
| 1.4 本文的研究内容及贡献 | 第18-19页 |
| 1.5 论文的组织结构及章节安排 | 第19-21页 |
| 第2章 相关技术介绍 | 第21-31页 |
| 2.1 支持向量机(SVM) | 第21-26页 |
| 2.1.1 朴素支持向量机 | 第21-23页 |
| 2.1.2 加权支持向量机 | 第23-26页 |
| 2.2 循环神经网络 | 第26-30页 |
| 2.2.1 基础循环神经网络模型 | 第26-27页 |
| 2.2.2 改良的循环神经网络模型 | 第27-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第3章 基于分类的步态加速度序列身份认证技术 | 第31-51页 |
| 3.1 基于分类的方法概述 | 第31-34页 |
| 3.1.1 原始数据的组织方式 | 第31-32页 |
| 3.1.2 基于分类的步态身份认证方法的基本策略 | 第32-33页 |
| 3.1.3 方法框架的各个组成部分 | 第33-34页 |
| 3.2 数据预处理方法 | 第34-40页 |
| 3.2.1 预处理的必要性 | 第34-36页 |
| 3.2.2 预处理具体流程 | 第36-40页 |
| 3.3 特征提取方法 | 第40-44页 |
| 3.3.1 时域特征 | 第40-42页 |
| 3.3.2 频域特征 | 第42-44页 |
| 3.4 系统展示 | 第44-46页 |
| 3.5 实验与评估 | 第46-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第4章 基于自回归的加速度序列身份认证技术 | 第51-75页 |
| 4.1 基于分类方法的问题 | 第51-53页 |
| 4.2 自回归方法的基本思路 | 第53-55页 |
| 4.3 自回归模型设计 | 第55-67页 |
| 4.3.1 Pure-LSTM模型 | 第56-58页 |
| 4.3.2 Simple-NTM模型 | 第58-63页 |
| 4.3.3 自回归模型性能评估 | 第63-67页 |
| 4.4 系统展示 | 第67-69页 |
| 4.5 评估与分析 | 第69-73页 |
| 4.6 本章小结 | 第73-75页 |
| 第5章 工作总结与展望 | 第75-77页 |
| 5.1 本文工作总结 | 第75-76页 |
| 5.2 下一步研究方向 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-82页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第82页 |
