基于随机森林算法的人体运动模式识别研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 论文主要内容 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 第二章 基于卡尔曼算法的数据预处理 | 第17-27页 |
| 2.1 卡尔曼滤波器概述 | 第17-20页 |
| 2.1.1 卡尔曼滤波器简介 | 第17-19页 |
| 2.1.2 卡尔曼滤波器参数分析 | 第19-20页 |
| 2.2 人体运动信号的数据预处理 | 第20-25页 |
| 2.2.1 数据集 | 第20-21页 |
| 2.2.2 去除数据空值 | 第21-23页 |
| 2.2.3 数据归一化 | 第23页 |
| 2.2.4 卡尔曼滤波 | 第23-25页 |
| 2.2.5 数据加窗 | 第25页 |
| 2.3 本章小结 | 第25-27页 |
| 第三章 多特征融合的特征提取算法 | 第27-36页 |
| 3.1 离散小波变换 | 第27-28页 |
| 3.2 自相关函数 | 第28-29页 |
| 3.3 特征的降维融合 | 第29-31页 |
| 3.3.1 主成分分析法 | 第29-30页 |
| 3.3.2 线性判决分析法 | 第30页 |
| 3.3.3 局部线性嵌入法 | 第30-31页 |
| 3.4 基于多特征融合的特征提取 | 第31-34页 |
| 3.4.1 运动数据的小波变换 | 第31-33页 |
| 3.4.2 运动数据自相关函数 | 第33-34页 |
| 3.4.3 多特征融合 | 第34页 |
| 3.5 本章小结 | 第34-36页 |
| 第四章 人工蜂群优化随机森林及模式识别 | 第36-54页 |
| 4.1 随机森林算法概述 | 第36-42页 |
| 4.1.1 随机森林基分类器:决策树 | 第36-37页 |
| 4.1.2 决策树节点分裂算法 | 第37-38页 |
| 4.1.3 随机森林的构建 | 第38-41页 |
| 4.1.4 随机森林算法的优化方法 | 第41-42页 |
| 4.2 人工蜂群优化随机森林算法 | 第42-45页 |
| 4.2.1 人工蜂群算法 | 第42-43页 |
| 4.2.2 人工蜂群优化随机森林 | 第43-44页 |
| 4.2.3 优化随机森林算法设计 | 第44-45页 |
| 4.3 基于优化随机森林的模式识别 | 第45-53页 |
| 4.3.1 节点分裂算法的选择 | 第45-46页 |
| 4.3.2 基于人工蜂群优化随机森林的参数调优 | 第46-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 人体运动模式识别系统的设计 | 第54-64页 |
| 5.1 运动模式识别系统概述 | 第54-56页 |
| 5.1.1 系统设计原则 | 第54页 |
| 5.1.2 系统需求分析 | 第54-56页 |
| 5.2 系统设计 | 第56-59页 |
| 5.2.1 系统架构 | 第56-57页 |
| 5.2.2 系统关键技术 | 第57-59页 |
| 5.3 系统识别流程 | 第59-61页 |
| 5.3.1 系统用例 | 第59-60页 |
| 5.3.2 算法执行流程 | 第60-61页 |
| 5.4 系统的运行与测试 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 论文工作总结 | 第64-65页 |
| 6.2 未来展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-73页 |
| 作者攻读学位期间取得的研究成果 | 第73页 |
