| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景 | 第10-12页 |
| 1.2 课题研究现状及发展态势 | 第12-13页 |
| 1.3 论文主要研究内容及论文结构 | 第13-15页 |
| 第二章 无线信道模型 | 第15-25页 |
| 2.1 RSSI与CSI | 第15-16页 |
| 2.2 无线多径信道 | 第16-19页 |
| 2.2.1 多径信道模型 | 第17-18页 |
| 2.2.2 CSI-Speed模型 | 第18-19页 |
| 2.3 基于CSI的人体行为识别系统 | 第19-24页 |
| 2.3.1 WiFall跌倒检测系统 | 第19-22页 |
| 2.3.2 WiHear唇语识别系统 | 第22-23页 |
| 2.3.3 E-eyes人体行为识别系统 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 CSI数据预处理及动作时频特征提取 | 第25-46页 |
| 3.1 CSI数据的提取 | 第25-27页 |
| 3.2 CSI数据预处理方案设计 | 第27-34页 |
| 3.2.1 基于低通滤波器的去噪处理 | 第28-29页 |
| 3.2.2 基于PCA算法的去噪处理 | 第29-31页 |
| 3.2.3 基于低通滤波与PCA算法的联合去噪 | 第31页 |
| 3.2.4 实验结果分析 | 第31-34页 |
| 3.3 时频分析与特征提取 | 第34-44页 |
| 3.3.1 基于短时傅里叶变换的时频分析 | 第34-36页 |
| 3.3.2 基于小波变换的时频分析 | 第36-38页 |
| 3.3.3 基于小波变换及Percentiles算法的动作特征提取 | 第38-40页 |
| 3.3.4 实验结果分析 | 第40-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第四章 基于GMM-HMM的人体行为识别模型 | 第46-64页 |
| 4.1 概述 | 第46-47页 |
| 4.2 基于GMM的连续数据处理 | 第47-51页 |
| 4.2.1 基于EM算法的参数求解 | 第48-49页 |
| 4.2.2 EM算法在GMM中的应用分析 | 第49-51页 |
| 4.3 基于GMM-HMM的行为识别模型 | 第51-63页 |
| 4.3.1 隐马尔科夫模型数学原理 | 第51-56页 |
| 4.3.2 GMM-HMM的模型设计 | 第56-60页 |
| 4.3.3 实验结果分析 | 第60-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 基于Kmeans-SVM模型的人体行为识别模型 | 第64-86页 |
| 5.1 概述 | 第64-65页 |
| 5.2 速度分布特征 | 第65-71页 |
| 5.2.1 速度分布信息 | 第65-69页 |
| 5.2.2 基于Kmeans的样本聚类 | 第69-70页 |
| 5.2.3 基于Bag of Words的词袋建立 | 第70-71页 |
| 5.3 基于Kmeans-SVM算法框架的人体行为识别 | 第71-84页 |
| 5.3.1 基于支持向量机的分类模型设计 | 第71-78页 |
| 5.3.2 WiAR模型的设计 | 第78页 |
| 5.3.3 实验结果分析 | 第78-84页 |
| 5.4 本章小结 | 第84-86页 |
| 第六章 总结与展望 | 第86-88页 |
| 6.1 总结 | 第86-87页 |
| 6.2 展望 | 第87-88页 |
| 致谢 | 第88-89页 |
| 参考文献 | 第89-93页 |
| 攻读硕士期间取得的研究成果 | 第93-94页 |
