| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.3 本文主要研究内容及组织架构 | 第13-14页 |
| 第2章 SVM和DCNN用于活动识别 | 第14-31页 |
| 2.1 引言 | 第14页 |
| 2.2 衡量指标和数据集 | 第14-18页 |
| 2.2.1 衡量指标 | 第14-15页 |
| 2.2.2 UCI数据集 | 第15页 |
| 2.2.3 机会数据集 | 第15-17页 |
| 2.2.4 Skoda数据集 | 第17-18页 |
| 2.3 支持向量机 | 第18-23页 |
| 2.4 适用于UCI数据集的卷积神经网络结构 | 第23-25页 |
| 2.5 适用于机会数据集的卷积神经网络结构 | 第25-26页 |
| 2.6 实验结果与分析 | 第26-30页 |
| 2.6.1 SVM和DCNN算法在UCI数据集上实验 | 第26-28页 |
| 2.6.2 SVM和DCNN算法在机会数据集上实验 | 第28-29页 |
| 2.6.3 结果分析 | 第29-30页 |
| 2.7 本章小结 | 第30-31页 |
| 第3章 基于融合特征的深度卷积神经网络 | 第31-49页 |
| 3.1 引言 | 第31页 |
| 3.2 预训练模型 | 第31-32页 |
| 3.2.1 ImageNet数据集 | 第31页 |
| 3.2.2 无监督的预训练 | 第31-32页 |
| 3.3 卷积神经网络的基本思想 | 第32-42页 |
| 3.3.1 CNN原理 | 第32-34页 |
| 3.3.2 卷积操作 | 第34-35页 |
| 3.3.3 池化操作 | 第35-36页 |
| 3.3.4 激活函数 | 第36-39页 |
| 3.3.5 Softmax分类器 | 第39-41页 |
| 3.3.6 局部连接与权值共享 | 第41-42页 |
| 3.4 基于融合特征的深度卷积神经网络 | 第42-45页 |
| 3.5 基于融合特征的深度卷积神经网络进行活动识别实验结果 | 第45-48页 |
| 3.5.1 机会数据集实验结果 | 第45-46页 |
| 3.5.2 Skoda数据集实验结果 | 第46-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第4章 将卷积和递归长短时记忆神经网络用于活动识别 | 第49-56页 |
| 4.1 引言 | 第49页 |
| 4.2 递归网络前向传播 | 第49-52页 |
| 4.3 DEEPCONVLSTM架构 | 第52-53页 |
| 4.4 模型实现和训练 | 第53-54页 |
| 4.5 实验结果与分析 | 第54-55页 |
| 4.6 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第63-64页 |
| 致谢 | 第64页 |
