基于深度学习的运动状态识别研究
| 摘要 | 第7-8页 |
| abstract | 第8-9页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 深度学习 | 第14-15页 |
| 1.2.2 运动状态识别 | 第15-17页 |
| 1.3 本文研究内容与论文组织 | 第17-20页 |
| 1.3.1 主要研究工作 | 第17-18页 |
| 1.3.2 论文组织结构 | 第18-20页 |
| 第2章 深度学习基础 | 第20-29页 |
| 2.1 引言 | 第20页 |
| 2.2 人工智能 | 第20-21页 |
| 2.3 机器学习 | 第21页 |
| 2.4 模式识别 | 第21-22页 |
| 2.5 数据挖掘 | 第22页 |
| 2.6 人工神经网络 | 第22-23页 |
| 2.7 深度学习 | 第23-26页 |
| 2.8 常用分类方法 | 第26-28页 |
| 2.9 本章小结 | 第28-29页 |
| 第3章 人体运动状态识别模型 | 第29-48页 |
| 3.1 引言 | 第29页 |
| 3.2 人体运动状态数据集 | 第29-30页 |
| 3.3 常见神经网络模型 | 第30-39页 |
| 3.3.1 经典神经网络 | 第30-32页 |
| 3.3.2 卷积神经网络 | 第32-34页 |
| 3.3.3 LSTM神经网络 | 第34-37页 |
| 3.3.4 Bi-LSTM神经网络 | 第37-38页 |
| 3.3.5 Bi-GRU神经网络 | 第38-39页 |
| 3.4 模型建立与分析 | 第39-47页 |
| 3.4.1 流程设计 | 第40页 |
| 3.4.2 数据预处理 | 第40-42页 |
| 3.4.3 神经网络结构设计 | 第42-43页 |
| 3.4.4 参数调优 | 第43-44页 |
| 3.4.5 结果分析 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 人体交通状态识别模型 | 第48-60页 |
| 4.1 引言 | 第48页 |
| 4.2 人体交通状态识别流程 | 第48-49页 |
| 4.3 交通数据采集 | 第49-52页 |
| 4.4 人体交通状态 | 第52-55页 |
| 4.4.1 人体交通状态分类 | 第52-54页 |
| 4.4.2 特征提取 | 第54-55页 |
| 4.5 建模与分析 | 第55-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第5章 在智能手机中的应用 | 第60-68页 |
| 5.1 引言 | 第60页 |
| 5.2 智能手机系统 | 第60-64页 |
| 5.2.1 智能手机操作系统演进历程 | 第60-61页 |
| 5.2.2 Android操作系统 | 第61-62页 |
| 5.2.3 Android系统内置传感器 | 第62-64页 |
| 5.3 基于智能手机的运动状态识别 | 第64-67页 |
| 5.4 本章小结 | 第67-68页 |
| 总结与展望 | 第68-70页 |
| 总结 | 第68-69页 |
| 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 附录A 攻读学位期间发表的学术论文和获奖情况 | 第75页 |
