多模态数据融合的移动阅读体验优化算法及系统研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 传感器的应用研究 | 第9-11页 |
| 1.2.2 时间序列预测研究 | 第11-12页 |
| 1.2.3 多模态数据融合 | 第12-13页 |
| 1.2.4 深度学习概述 | 第13-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 相关理论和技术 | 第17-25页 |
| 2.1 人脸识别与跟踪 | 第17-18页 |
| 2.2 时序预测技术 | 第18-23页 |
| 2.2.1 LSTM | 第18-22页 |
| 2.2.2 线性回归 | 第22-23页 |
| 2.3 多模态数据融合 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 系统概述 | 第25-31页 |
| 3.1 问题分析 | 第25-26页 |
| 3.2 解决思路 | 第26-28页 |
| 3.3 系统框架 | 第28-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 传感器数据获取 | 第31-38页 |
| 4.1 传感器概述 | 第31-32页 |
| 4.2 加速度传感器 | 第32-34页 |
| 4.2.1 加速度传感器概述 | 第32-33页 |
| 4.2.2 加速度数据分析 | 第33-34页 |
| 4.3 图像传感器 | 第34-37页 |
| 4.3.1 图像传感器概述 | 第34-35页 |
| 4.3.2 图像传感器数据分析 | 第35-37页 |
| 4.4 本章小结 | 第37-38页 |
| 第五章 基于时序预测的方法 | 第38-57页 |
| 5.1 基于线性回归模型的时序预测方法 | 第38-52页 |
| 5.1.1 模型定义 | 第38-39页 |
| 5.1.2 数据收集与预处理 | 第39-48页 |
| 5.1.2.1 手机传感器数据收集 | 第39-42页 |
| 5.1.2.2 手机位移数据收集 | 第42-43页 |
| 5.1.2.3 数据预处理 | 第43-45页 |
| 5.1.2.4 室内数据集概述 | 第45-46页 |
| 5.1.2.5 室外数据集概述 | 第46-48页 |
| 5.1.3 实验结果与分析 | 第48-52页 |
| 5.1.3.1 室内实验结果与分析 | 第48-49页 |
| 5.1.3.2 室外实验结果与分析 | 第49-52页 |
| 5.2 基于LSTM模型的时序预测方法 | 第52-56页 |
| 5.2.1 模型定义 | 第52页 |
| 5.2.2 实验结果与分析 | 第52-56页 |
| 5.2.2.1 室内实验结果与分析 | 第52-54页 |
| 5.2.2.2 室外实验结果与分析 | 第54-56页 |
| 5.3 本章小结 | 第56-57页 |
| 第六章 多传感器融合自适应调整方法 | 第57-67页 |
| 6.1 多传感器数据融合 | 第57页 |
| 6.2 加权平均融合 | 第57-58页 |
| 6.3 自适应反馈调整 | 第58-62页 |
| 6.4 验证实验概述 | 第62-65页 |
| 6.4.1 室内环境实验 | 第63-64页 |
| 6.4.2 室外乘车实验 | 第64-65页 |
| 6.5 系统效果展示 | 第65-66页 |
| 6.6 本章小结 | 第66-67页 |
| 总结与展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72-73页 |
| 附件 | 第73页 |
