智能家居中基于概率软逻辑的人类活动识别方法
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 研究范围及意义 | 第10-12页 |
| 1.2 活动识别问题描述 | 第12-14页 |
| 1.3 国内外研究现状 | 第14-18页 |
| 1.3.1 数据驱动方法 | 第14-15页 |
| 1.3.2 知识驱动方法 | 第15-16页 |
| 1.3.3 混合驱动方法 | 第16-18页 |
| 1.4 当前方法存在不足 | 第18-19页 |
| 1.5 研究内容 | 第19-20页 |
| 1.6 章节安排 | 第20-21页 |
| 第2章 相关原理及关键技术 | 第21-28页 |
| 2.1 基于密集传感的活动识别模型 | 第21-22页 |
| 2.2 概率软逻辑概述 | 第22-27页 |
| 2.2.1 Markov逻辑 | 第22-23页 |
| 2.2.2 概率软逻辑 | 第23-27页 |
| 2.3 Dempster-Shafer证据理论 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 人类活动识别框架 | 第28-43页 |
| 3.1 基于PSL的活动识别框架 | 第28-31页 |
| 3.1.1 数据收集层 | 第29页 |
| 3.1.2 事件管理层 | 第29-30页 |
| 3.1.3 应用层 | 第30-31页 |
| 3.2 事件预处理问题描述 | 第31-32页 |
| 3.3 事件预处理 | 第32-38页 |
| 3.3.1 片段划分 | 第32-34页 |
| 3.3.2 事件合并 | 第34-38页 |
| 3.4 基于DS证据论的事件不确定度计算 | 第38-42页 |
| 3.4.1 基于Deng熵的权重计算 | 第39-41页 |
| 3.4.2 基于加权融合的事件不确定度计算 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 人类活动识别方法 | 第43-57页 |
| 4.1 基于概率软逻辑的活动模型构建 | 第43-53页 |
| 4.1.1 活动建模问题描述 | 第43-46页 |
| 4.1.2 基于事件演算的规则定义 | 第46-51页 |
| 4.1.3 参数学习 | 第51-53页 |
| 4.2 基于概率软逻辑的活动推理 | 第53-56页 |
| 4.2.1 活动推理问题描述 | 第53页 |
| 4.2.2 PSL中最大后验概率推理过程 | 第53-55页 |
| 4.2.3 基于ADMM的一致优化算法 | 第55-56页 |
| 4.3 本章小结 | 第56-57页 |
| 第5章 仿真实验 | 第57-71页 |
| 5.1 实验环境及数据集介绍 | 第57-60页 |
| 5.2 实验步骤 | 第60-61页 |
| 5.3 原型系统设计 | 第61-67页 |
| 5.3.1 总体设计 | 第61-62页 |
| 5.3.2 模块设计 | 第62-64页 |
| 5.3.3 存储设计 | 第64-65页 |
| 5.3.4 系统实现 | 第65-67页 |
| 5.4 实验结果对比分析 | 第67-71页 |
| 5.4.1 评价标准 | 第67页 |
| 5.4.2 对比方法 | 第67页 |
| 5.4.3 结果分析 | 第67-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 研究结论 | 第71-72页 |
| 6.2 工作展望 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 攻读学位期间公开发表论文 | 第78-79页 |
| 致谢 | 第79页 |
