| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 无线传感器网络 | 第13-16页 |
| 1.1.1 传感器网络的体系结构 | 第13页 |
| 1.1.2 传感器节点的结构 | 第13-15页 |
| 1.1.3 传感器网络的特点 | 第15页 |
| 1.1.4 传感器网络的应用领域 | 第15-16页 |
| 1.2 环境智能 | 第16-19页 |
| 1.2.1 环境智能概念的由来及研究现状 | 第17-18页 |
| 1.2.2 环境智能的主要特点 | 第18-19页 |
| 1.3 上下文感知 | 第19-21页 |
| 1.3.1 上下文的定义 | 第19-20页 |
| 1.3.2 上下文感知的定义及应用 | 第20-21页 |
| 1.4 本文的内容及结构 | 第21-25页 |
| 1.4.1 研究课题介绍 | 第21-23页 |
| 1.4.2 本文的主要研究内容 | 第23-24页 |
| 1.4.3 本文的组织结构 | 第24-25页 |
| 第二章 基于加速度传感器的穿戴式行为识别系统 | 第25-48页 |
| 2.1 行为识别的三种方式 | 第25-28页 |
| 2.1.1 穿戴式行为识别 | 第25页 |
| 2.1.2 基于人物交互的行为识别 | 第25-26页 |
| 2.1.3 基于环境变量的行为识别 | 第26页 |
| 2.1.4 行为识别的融合框架 | 第26-28页 |
| 2.2 加速度传感器 | 第28-30页 |
| 2.3 基于加速度传感器的穿戴式行为识别系统的框架 | 第30-32页 |
| 2.4 特征提取及规范化 | 第32-34页 |
| 2.5 主成分分析 | 第34-36页 |
| 2.6 多类分类算法 | 第36-44页 |
| 2.6.1 决策树分类算法 | 第37-39页 |
| 2.6.2 支持向量机算法 | 第39-43页 |
| 2.6.3 K 近邻分类算法 | 第43-44页 |
| 2.7 穿戴式行为识别的实验及结果 | 第44-47页 |
| 2.7.1 实验设置及数据采集 | 第44-45页 |
| 2.7.2 实验结果 | 第45-47页 |
| 2.8 小结 | 第47-48页 |
| 第三章 具有扩展能力的穿戴式行为识别系统 | 第48-73页 |
| 3.1 问题的提出 | 第48-49页 |
| 3.2 具有扩展能力的穿戴式行为识别系统的框架 | 第49-52页 |
| 3.3 组合一类分类模型 | 第52-58页 |
| 3.3.1 K 近邻一类分类算法 | 第53-55页 |
| 3.3.2 支持向量数据描述一类分类算法 | 第55-57页 |
| 3.3.3 高斯一类分类算法 | 第57-58页 |
| 3.4 系统更新阶段的操作 | 第58-61页 |
| 3.4.1 未知行为数据保存 | 第58-59页 |
| 3.4.2 噪声数据去除和数据模式分析 | 第59页 |
| 3.4.3 数据分段 | 第59-61页 |
| 3.4.4 系统更新 | 第61页 |
| 3.5 实验及结果 | 第61-71页 |
| 3.5.1 一类分类算法的性能评估 | 第62-63页 |
| 3.5.2 系统的检测和分类性能评估 | 第63-65页 |
| 3.5.3 系统的扩展能力实验及结果 | 第65-71页 |
| 3.6 讨论 | 第71-72页 |
| 3.7 小结 | 第72-73页 |
| 第四章 基于移动代理的分布式分类算法 | 第73-96页 |
| 4.1 传感器网络的计算模式 | 第73-76页 |
| 4.1.1 集中式计算模式 | 第73-74页 |
| 4.1.2 移动代理计算模式 | 第74-76页 |
| 4.2 基于移动代理的分布式决策树分类算法 | 第76-87页 |
| 4.2.1 分布式决策树分类 | 第77-79页 |
| 4.2.2 基于移动代理的分布式决策树分类的实施 | 第79-80页 |
| 4.2.3 性能评估 | 第80-86页 |
| 4.2.4 讨论 | 第86-87页 |
| 4.3 基于移动代理的分布式支持向量机分类算法 | 第87-95页 |
| 4.3.1 分布式支持向量机分类算法 | 第87-88页 |
| 4.3.2 分布式支持向量机分类算法的路径优化 | 第88-89页 |
| 4.3.3 基于移动代理的分布式支持向量机分类算法的实施 | 第89页 |
| 4.3.4 分布式支持向量机分类算法的扩展 | 第89-92页 |
| 4.3.5 性能评估 | 第92-95页 |
| 4.4 小结 | 第95-96页 |
| 第五章 非穿戴式的室内人体定位方法 | 第96-105页 |
| 5.1 定位方法 | 第96-97页 |
| 5.2 非穿戴式室内定位方法 | 第97-100页 |
| 5.2.1 RSSI 的不规则性 | 第97-98页 |
| 5.2.2 RSSI 波动的抑制 | 第98-99页 |
| 5.2.3 基于RSSI 衰减的人体定位 | 第99-100页 |
| 5.3 实验及结果 | 第100-103页 |
| 5.3.1 实验设置 | 第100-101页 |
| 5.3.2 检测阈值的确定 | 第101-102页 |
| 5.3.3 有效检测距离 | 第102页 |
| 5.3.4 定位实验及结果 | 第102-103页 |
| 5.4 讨论 | 第103-104页 |
| 5.5 小结 | 第104-105页 |
| 第六章 源能量未知情况下的分布式声音源定位方法 | 第105-124页 |
| 6.1 问题的提出 | 第105-109页 |
| 6.1.1 声音能量衰减模型 | 第106页 |
| 6.1.2 基于IG 算法的分布式声音源定位方法 | 第106-108页 |
| 6.1.3 基于能量比的集中式声音源定位方法 | 第108-109页 |
| 6.2 基于能量比的分布式定位方法 | 第109-115页 |
| 6.2.1 基于能量比的分布式定位方法的思路 | 第109-111页 |
| 6.2.2 能量比个数的选择 | 第111页 |
| 6.2.3 搜索起始点的确定 | 第111-112页 |
| 6.2.4 基于能量比的分布式定位方法的实施步骤 | 第112-113页 |
| 6.2.5 能量消耗分析 | 第113-115页 |
| 6.3 实验及结果 | 第115-122页 |
| 6.3.1 模拟实验及结果 | 第115-119页 |
| 6.3.2 移动车辆定位实验及结果 | 第119-122页 |
| 6.4 讨论 | 第122-123页 |
| 6.5 小结 | 第123-124页 |
| 第七章 总结与展望 | 第124-126页 |
| 7.1 本文的研究工作及创新点 | 第124-125页 |
| 7.2 未来工作展望 | 第125-126页 |
| 参考文献 | 第126-137页 |
| 致谢 | 第137-139页 |
| 攻读博士学位期间发表的论文、专利及参与的科研项目 | 第139-140页 |