Wi-Fi环境下基于CNN和ELM的人体动作识别技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.2 基于无线信号的识别技术的研究现状 | 第11-16页 |
| 1.3 论文主要内容及创新点 | 第16-18页 |
| 1.4 论文结构安排 | 第18-20页 |
| 第二章 系统搭建及数据采集 | 第20-30页 |
| 2.1 通信系统搭建 | 第20-23页 |
| 2.1.1 软件无线电平台USRP N210介绍 | 第20-21页 |
| 2.1.2 Wi-Fi通信系统 | 第21-23页 |
| 2.2 数据采集 | 第23-28页 |
| 2.2.1 数据帧结构 | 第23页 |
| 2.2.2 数据采集过程 | 第23-25页 |
| 2.2.3 运动信息提取方式 | 第25-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第三章 端点分割算法 | 第30-38页 |
| 3.1 数据预处理 | 第30页 |
| 3.2 端点检测算法 | 第30-34页 |
| 3.2.1 基于短时能量和过零率的端点检测算法 | 第31-32页 |
| 3.2.2 异常点检测算法 | 第32-34页 |
| 3.3 基于差分计算和峰值检测的端点检测算法 | 第34-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于CNN的特征提取与基于ELM的分类 | 第38-52页 |
| 4.1 信号统计特征提取 | 第38-39页 |
| 4.2 基于CNN的特征提取 | 第39-47页 |
| 4.2.1 CNN原理介绍 | 第40-44页 |
| 4.2.2 利用CNN提取特征 | 第44-47页 |
| 4.3 分类器选择 | 第47页 |
| 4.4 极限学习机 | 第47-50页 |
| 4.4.1 极限学习机 | 第48页 |
| 4.4.2 极限学习机原理 | 第48-50页 |
| 4.5 极限学习机分类器训练过程 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 实验过程与结果分析 | 第52-60页 |
| 5.1 人体姿势识别系统 | 第52-53页 |
| 5.2 实验场景设计 | 第53-55页 |
| 5.2.1 实验平台 | 第53-54页 |
| 5.2.2 实验场景 | 第54-55页 |
| 5.3 运动样本获取 | 第55-56页 |
| 5.4 特征提取 | 第56页 |
| 5.5 分类结果分析 | 第56-58页 |
| 5.5.1 实验结果 | 第57-58页 |
| 5.5.2 噪声对识别率的影响 | 第58页 |
| 5.6 本章小结 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 论文工作总结 | 第60页 |
| 6.2 问题和展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 攻读学位期间取得的研究成果 | 第68页 |
