| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 基于智能手机的活动识别 | 第13-15页 |
| 1.3 基于智能手机的身份识别 | 第15-16页 |
| 1.4 主要研究内容 | 第16-17页 |
| 1.5 论文组织结构 | 第17-19页 |
| 第二章 相关技术研究 | 第19-27页 |
| 2.1 传感器数据采集及预处理 | 第19-21页 |
| 2.1.1 惯性传感器和数据采集 | 第19-20页 |
| 2.1.2 数据预处理 | 第20-21页 |
| 2.2 特征提取技术 | 第21-23页 |
| 2.2.1 时域特征 | 第21页 |
| 2.2.2 频域特征 | 第21-22页 |
| 2.2.3 特征学习 | 第22-23页 |
| 2.3 分类算法 | 第23-26页 |
| 2.3.1 决策树 | 第23-24页 |
| 2.3.2 朴素贝叶斯 | 第24-25页 |
| 2.3.3 支持向量机（SVM） | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于无监督特征学习的惯性传感器数据特征提取方法 | 第27-43页 |
| 3.1 基本思想 | 第27-29页 |
| 3.2 无监督特征学习模型与实现 | 第29-34页 |
| 3.2.1 基于AE的模型 | 第29-32页 |
| 3.2.2 主成分分析（PCA） | 第32页 |
| 3.2.3 模型实现 | 第32-34页 |
| 3.3 SAE和DAE的超参数选择方法 | 第34-36页 |
| 3.4 实验结果与分析 | 第36-42页 |
| 3.4.1 超参数选择 | 第36-40页 |
| 3.4.2 channel-wise方式与不分channel方式的对比 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于智能手机传感器的活动识别 | 第43-52页 |
| 4.1 数据集 | 第43页 |
| 4.2 特征提取 | 第43-50页 |
| 4.2.1 特征学习 | 第44-48页 |
| 4.2.2 其他特征 | 第48-50页 |
| 4.3 分类结果与分析 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 基于智能手机传感器的身份识别 | 第52-57页 |
| 5.1 静态数据过滤 | 第52-53页 |
| 5.2 特征提取 | 第53页 |
| 5.3 身份识别算法 | 第53-54页 |
| 5.4 实验结果与分析 | 第54-56页 |
| 5.4.1 数据集构造 | 第55页 |
| 5.4.2 实验结果 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第六章 结束语 | 第57-59页 |
| 6.1 工作总结 | 第57-58页 |
| 6.2 工作展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 作者在学期间取得的学术成果 | 第64-65页 |
| 附录A SAE在Pylearn2的配置文件 | 第65页 |