| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 相关技术介绍 | 第16-24页 |
| 2.1 手机坐标系概述 | 第16页 |
| 2.2 手机传感器概述 | 第16-19页 |
| 2.2.1 加速度传感器 | 第16-17页 |
| 2.2.2 陀螺仪传感器 | 第17-18页 |
| 2.2.3 气压传感器 | 第18页 |
| 2.2.4 磁场传感器 | 第18页 |
| 2.2.5 重力传感器 | 第18页 |
| 2.2.6 全球定位系统GPS | 第18-19页 |
| 2.3 车辆行驶状态分析的相关算法介绍 | 第19-23页 |
| 2.3.1 卡尔曼滤波器算法介绍 | 第19-20页 |
| 2.3.2 动态时间规整算法介绍 | 第20-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于手机传感器的车辆行驶状态识别 | 第24-54页 |
| 3.1 车辆行驶状态识别概述 | 第24-31页 |
| 3.1.1 问题描述 | 第24页 |
| 3.1.2 手机坐标的变换与统一 | 第24-29页 |
| 3.1.3 车辆行驶状态识别的工作流程 | 第29-31页 |
| 3.2 车辆行驶状态的数据获取 | 第31-42页 |
| 3.2.1 数据获取平台 | 第32页 |
| 3.2.2 传感器数据获取 | 第32-36页 |
| 3.2.3 GPS数据获取 | 第36-40页 |
| 3.2.4 原始数据展示 | 第40-42页 |
| 3.3 车辆行驶状态识别的实现过程 | 第42-53页 |
| 3.3.1 数据预处理的滤波算法 | 第42-44页 |
| 3.3.2 基于卡尔曼滤波的传感器数据融合 | 第44-48页 |
| 3.3.3 基于动态时间规整的车辆行驶状态识别 | 第48-53页 |
| 3.4 本章小结 | 第53-54页 |
| 第4章 基于手机传感器的行驶状态识别的实验和结果分析 | 第54-68页 |
| 4.1 实验平台及准备工作 | 第54-63页 |
| 4.2 行驶状态识别实验及结果分析 | 第63-67页 |
| 4.3 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73页 |