| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 引言 | 第9页 |
| 1.2 研究背景及意义 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.4 面临的实际问题 | 第12-13页 |
| 1.5 本文的主要工作 | 第13页 |
| 1.6 本文的结构安排 | 第13-15页 |
| 第二章 理论基础 | 第15-25页 |
| 2.1 智能手机传感器的介绍 | 第15-19页 |
| 2.1.1 重力感应传感器 | 第15-16页 |
| 2.1.2 三轴陀螺仪传感器 | 第16-17页 |
| 2.1.3 加速度传感器 | 第17-18页 |
| 2.1.4 光线传感器 | 第18-19页 |
| 2.1.5 距离传感器 | 第19页 |
| 2.2 人体行为识别常见算法介绍 | 第19-24页 |
| 2.2.1 RBF神经网络 | 第19-21页 |
| 2.2.2 支持向量机 | 第21-22页 |
| 2.2.3 K-最近邻算法 | 第22-23页 |
| 2.2.4 决策树算法 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 基于加速度传感器的人体行为识别 | 第25-41页 |
| 3.1 模式识别的发展及应用 | 第25-26页 |
| 3.2 人体行为识别的流程 | 第26页 |
| 3.3 加速度数据采集 | 第26-27页 |
| 3.4 加速度数据预处理 | 第27-31页 |
| 3.4.1 滤波器原理 | 第27-28页 |
| 3.4.2 带通滤波的介绍 | 第28-29页 |
| 3.4.3 中值滤波的介绍 | 第29页 |
| 3.4.4 自定义的频谱滤波 | 第29-30页 |
| 3.4.5 实验结果 | 第30-31页 |
| 3.5 特征提取与选择 | 第31-36页 |
| 3.5.1 特征提取 | 第31-33页 |
| 3.5.2 特征的选择 | 第33-36页 |
| 3.5.3 实验及结果 | 第36页 |
| 3.6 模型训练与识别算法 | 第36-37页 |
| 3.6.1 模型训练 | 第36-37页 |
| 3.6.2 识别算法 | 第37页 |
| 3.7 实验结果 | 第37-40页 |
| 3.8 本章小结 | 第40-41页 |
| 第四章 基于二叉树的SVM多分类算法在行为识别中的应用 | 第41-51页 |
| 4.1 SVM的种类 | 第41-44页 |
| 4.1.1 一对余法 | 第41页 |
| 4.1.2 一对一法 | 第41-42页 |
| 4.1.3 二叉树法 | 第42-44页 |
| 4.2 聚类算法的种类 | 第44-46页 |
| 4.2.1 k-means聚类算法 | 第44-45页 |
| 4.2.2 层次聚类算法 | 第45-46页 |
| 4.3 网格搜索算法 | 第46-47页 |
| 4.4 实验及结果 | 第47-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 本文工作总结 | 第51页 |
| 5.2 未来研究方向 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 研究生期间发表论文情况说明 | 第57-59页 |
| 致谢 | 第59页 |