基于深度学习的出行模式识别技术研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 背景和意义 | 第10-11页 |
| 1.2 主要研究工作 | 第11-13页 |
| 1.3 本文的贡献 | 第13页 |
| 1.4 论文组织结构 | 第13-16页 |
| 第二章 相关理论研究 | 第16-30页 |
| 2.1 出行模式识别相关技术 | 第16-19页 |
| 2.1.1 基于射频的出行模式识别技术 | 第17-18页 |
| 2.1.2 基于低功耗传感器的出行模式识别技术 | 第18页 |
| 2.1.3 出行模式识算法比较 | 第18-19页 |
| 2.2 相关理论基础 | 第19-29页 |
| 2.2.1 深度学习概述 | 第19-21页 |
| 2.2.2 多层感知器(MLP) | 第21-24页 |
| 2.2.3 卷积神经网络(CNN) | 第24-25页 |
| 2.2.4 长短时记忆网络(LSTM) | 第25-28页 |
| 2.2.5 贝叶斯投票算法 | 第28-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 基于深度学习的出行模式识别技术 | 第30-52页 |
| 3.1 算法框架 | 第30-31页 |
| 3.2 数据采集与预处理 | 第31-34页 |
| 3.2.1 加速度重力分量去除算法 | 第31-33页 |
| 3.2.2 滑动均值滤波 | 第33-34页 |
| 3.3 特征计算与选取 | 第34-38页 |
| 3.4 基于深度学习的出行模式识别 | 第38-49页 |
| 3.4.1 数据标准化 | 第38-39页 |
| 3.4.2 基于MLP的出行模式识别 | 第39-41页 |
| 3.4.3 基于CNN的出行模式识别 | 第41-43页 |
| 3.4.4 基于LSTM的出行模式识别 | 第43-45页 |
| 3.4.5 模型训练与优化算法 | 第45-49页 |
| 3.5 基于贝叶斯投票的多网络模型融合策略 | 第49页 |
| 3.6 本章小结 | 第49-52页 |
| 第四章 基于深度学习的出行模式识别算法验证 | 第52-66页 |
| 4.1 出行模式识别系统 | 第52-55页 |
| 4.1.1 Android端设计 | 第52-55页 |
| 4.1.2 PC端设计 | 第55页 |
| 4.2 实验及结果分析 | 第55-65页 |
| 4.2.1 实验平台 | 第56-57页 |
| 4.2.2 实验数据采集 | 第57页 |
| 4.2.3 实验结果分析 | 第57-64页 |
| 4.2.4 实验复杂度对比 | 第64-65页 |
| 4.3 本章小结 | 第65-66页 |
| 第五章 结束语 | 第66-68页 |
| 5.1 论文工作总结 | 第66-67页 |
| 5.2 论文改进方向 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-76页 |
| 攻读学位期间发表的学术论文 | 第76页 |
