可穿戴计算中基于情景感知的能效控制策略研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-11页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 章节安排 | 第14-16页 |
| 第二章 运动数据处理与优化的相关理论基础 | 第16-25页 |
| 2.1 小波去噪 | 第16-17页 |
| 2.2 主成分分析法PCA | 第17页 |
| 2.3 行为识别分类算法 | 第17-21页 |
| 2.3.1 支持向量机SVM | 第17-18页 |
| 2.3.2 最邻近算法KNN | 第18-19页 |
| 2.3.3 决策树DT | 第19-20页 |
| 2.3.4 朴素贝叶斯NB | 第20-21页 |
| 2.4 模型参数的优化算法 | 第21-24页 |
| 2.4.1 网格寻优GS | 第22页 |
| 2.4.2 遗传算法GA | 第22-23页 |
| 2.4.3 粒子群算法PSO | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于可穿戴节点的行为识别系统实现 | 第25-38页 |
| 3.1 系统设计的基本思路 | 第25-26页 |
| 3.2 基于惯性传感器的数据采集 | 第26-32页 |
| 3.2.1 传感器的佩戴选择 | 第26-27页 |
| 3.2.2 数据传输方式 | 第27-29页 |
| 3.2.3 采样频率选择 | 第29-30页 |
| 3.2.4 数据采集来源与分类设计 | 第30-32页 |
| 3.3 基于惯性传感器的数据预处理 | 第32-36页 |
| 3.3.1 传感器数据矫正 | 第32-35页 |
| 3.3.2 基于小波滤波的传感器数据去噪 | 第35页 |
| 3.3.3 数据加窗与特征提取 | 第35-36页 |
| 3.4 基于惯性传感器的行为识别与分类 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 行为识别系统的优化算法 | 第38-55页 |
| 4.1 行为识别系统的优化设计 | 第38-47页 |
| 4.1.1 数据样本集优化 | 第38-40页 |
| 4.1.2 分类模型参数优化 | 第40-46页 |
| 4.1.3 分类系统的优化 | 第46-47页 |
| 4.2 实验验证环境 | 第47-49页 |
| 4.2.1 Shimmer2R无线传感节点 | 第47页 |
| 4.2.2 TinyOS操作系统简介 | 第47-48页 |
| 4.2.3 nesC语言 | 第48-49页 |
| 4.3 在线人体运动行为识别实现 | 第49-51页 |
| 4.3.1 通信数据类型的定义 | 第49-51页 |
| 4.3.2 程序设计的模块组件 | 第51页 |
| 4.4 实验验证 | 第51-54页 |
| 4.4.1 准确度验证 | 第52-53页 |
| 4.4.2 能耗性验证 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 基于情景感知的能耗降低算法 | 第55-73页 |
| 5.1 基于情境感知的数据分析 | 第55-60页 |
| 5.1.1 能效控制策略 | 第55-56页 |
| 5.1.2 人体运动数据分析 | 第56-60页 |
| 5.2 固定式传输频率控制 | 第60-62页 |
| 5.3 自适应数据传输控制 | 第62-69页 |
| 5.3.1 分块均担精度损失 | 第62-63页 |
| 5.3.2 单分类器实现 | 第63-67页 |
| 5.3.3 多分类器融合实现 | 第67-69页 |
| 5.4 实验验证 | 第69-72页 |
| 5.4.1 实验环境与系统模型 | 第69-70页 |
| 5.4.2 精确度验证 | 第70-71页 |
| 5.4.3 能耗性验证 | 第71-72页 |
| 5.5 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 本文总结 | 第73页 |
| 6.2 未来展望 | 第73-75页 |
| 参考文献 | 第75-78页 |
| 附录1 攻读硕士学位期间申请的专利 | 第78-79页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第79-80页 |
| 致谢 | 第80页 |
