行为识别中的特征优选方法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外发展状况 | 第9-10页 |
| 1.3 论文内容及组织结构 | 第10-12页 |
| 1.3.1 论文主要内容 | 第10-11页 |
| 1.3.2 论文组织结构 | 第11-12页 |
| 2 基于传感器的行为识别方法 | 第12-30页 |
| 2.1 行为识别的一般过程 | 第12-17页 |
| 2.1.1 数据采集 | 第12页 |
| 2.1.2 预处理 | 第12-13页 |
| 2.1.3 窗口划分 | 第13-15页 |
| 2.1.4 特征提取 | 第15-17页 |
| 2.2 特征优选方法 | 第17-22页 |
| 2.2.1 特征优选评价准则 | 第17-20页 |
| 2.2.2 特征优选的最优方法 | 第20页 |
| 2.2.3 特征优选的次优方法 | 第20-22页 |
| 2.2.4 以分类性为准则的特征优选方法 | 第22页 |
| 2.3 典型行为识别方法 | 第22-29页 |
| 2.3.1 K近邻算法(KNN) | 第23页 |
| 2.3.2 决策树算法（C4.5） | 第23-25页 |
| 2.3.3 朴素贝叶斯算法（NB） | 第25-27页 |
| 2.3.4 支持向量机算法（SVM） | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 基于蚁群的特征优选方法 | 第30-44页 |
| 3.1 蚁群算法基本思想 | 第30-32页 |
| 3.1.1 转移函数 | 第31页 |
| 3.1.2 启发式信息 | 第31页 |
| 3.1.3 信息素更新 | 第31-32页 |
| 3.1.4 蚁群算法的一般过程 | 第32页 |
| 3.2 行为识别中基于蚁群的特征优选 | 第32-35页 |
| 3.2.1 算法原理 | 第32-33页 |
| 3.2.2 算法流程 | 第33-35页 |
| 3.3 实验设计与结果分析 | 第35-42页 |
| 3.3.1 实验数据 | 第35-36页 |
| 3.3.2 实验方法步骤 | 第36页 |
| 3.3.3 实验结果分析 | 第36-42页 |
| 3.4 本章小结 | 第42-44页 |
| 4 基于加速度传感器的行为识别系统设计与实现 | 第44-56页 |
| 4.0 系统基本框架 | 第44-45页 |
| 4.1 数据采集 | 第45-49页 |
| 4.1.1 硬件采集平台 | 第45-46页 |
| 4.1.2 软件采集程序设计 | 第46-48页 |
| 4.1.3 实验数据采集 | 第48-49页 |
| 4.2 预处理及特征提取 | 第49-53页 |
| 4.2.1 数据预处理 | 第50-51页 |
| 4.2.2 窗口化分 | 第51页 |
| 4.2.3 特征提取 | 第51-53页 |
| 4.3 特征优选模块 | 第53-54页 |
| 4.4 训练与识别模块 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士期间研究成果 | 第64页 |
