基于经验模态分解和神经网络的人体姿势识别技术研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状及发展 | 第12-17页 |
| 1.2.1 国内外研究现状 | 第12-16页 |
| 1.2.2 人体姿势识别的难点 | 第16-17页 |
| 1.3 论文的主要研究内容 | 第17-18页 |
| 1.4 论文组织结构 | 第18-19页 |
| 第二章 人体姿势识别技术流程 | 第19-31页 |
| 2.1 人体姿势识别技术概述 | 第19-20页 |
| 2.2 信号特征提取 | 第20-24页 |
| 2.2.1 离散小波变换 | 第20-21页 |
| 2.2.2 S变换 | 第21页 |
| 2.2.3 基于主成分分析法 | 第21-23页 |
| 2.2.4 时域特征 | 第23-24页 |
| 2.3 分类算法 | 第24-29页 |
| 2.3.1 最近邻算法 | 第24页 |
| 2.3.2 朴素贝叶斯 | 第24-25页 |
| 2.3.3 决策树 | 第25页 |
| 2.3.4 支持向量机 | 第25-28页 |
| 2.3.5 分类器对比 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于EMD的人体姿势识别方法 | 第31-55页 |
| 3.1 系统流程设计 | 第31页 |
| 3.2 EMD算法 | 第31-35页 |
| 3.2.1 EMD算法优势 | 第31-32页 |
| 3.2.2 EMD分解原理 | 第32-34页 |
| 3.2.3 改进的EMD算法 | 第34-35页 |
| 3.3 收发信号模型 | 第35-39页 |
| 3.3.1 实验设备及系统搭建 | 第35-37页 |
| 3.3.2 实验数据预处理 | 第37-39页 |
| 3.4 发送功率与距离变化对信号的影响 | 第39-42页 |
| 3.4.1 发送功率对信号的影响 | 第39-40页 |
| 3.4.2 WiFi信号源的收发距离对信号的影响 | 第40-42页 |
| 3.4.3 实验人员的活动范围 | 第42页 |
| 3.5 实验数据采集与处理 | 第42-48页 |
| 3.5.1 实验环境设置 | 第42页 |
| 3.5.2 数据采集 | 第42-44页 |
| 3.5.3 数据预处理 | 第44-45页 |
| 3.5.4 特征提取及SVM设置 | 第45-46页 |
| 3.5.5 改进EMD参数设置 | 第46-48页 |
| 3.6 分类结果与分析 | 第48-53页 |
| 3.6.1 IEMD算法分类结果 | 第48-49页 |
| 3.6.2 不同算法分类结果比较 | 第49-52页 |
| 3.6.3 噪声干扰对IEMD算法的影响 | 第52-53页 |
| 3.7 本章小结 | 第53-55页 |
| 第四章 基于神经网络的人体姿势识别方法 | 第55-67页 |
| 4.1 神经网络 | 第55-57页 |
| 4.1.1 前馈神经网络反向传播算法 | 第55-56页 |
| 4.1.2 卷积神经网络 | 第56-57页 |
| 4.2 数据处理 | 第57-61页 |
| 4.2.1 系统流程设计 | 第57-58页 |
| 4.2.2 实验数据集 | 第58页 |
| 4.2.3 相空间重构 | 第58-59页 |
| 4.2.4 相空间重构参数选择 | 第59-61页 |
| 4.3 实验结果对比分析 | 第61-66页 |
| 4.3.1 CNN分类结果 | 第61-63页 |
| 4.3.2 CNN与SVM分类结果对比 | 第63-64页 |
| 4.3.3 CNN+NN模型的分类结果 | 第64-65页 |
| 4.3.4 噪声干扰对识别率的影响 | 第65-66页 |
| 4.4 本章小节 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 全文总结 | 第67-68页 |
| 5.2 下一步工作及展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-77页 |
| 攻读硕士学位期间发表的学术论文 | 第77页 |
