| 中文摘要 | 第2-4页 |
| Abstract | 第4-6页 |
| 中文文摘 | 第7-12页 |
| 第一章 绪论 | 第12-24页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 面向体域网的人体运动模式识别系统低功耗设计研究 | 第14-16页 |
| 1.2.2 面向体域网的人体运动模式识别系统采集数据降噪研究 | 第16-17页 |
| 1.2.3 面向体域网的人体运动模式识别算法研究 | 第17-19页 |
| 1.3 本文主要工作及创新点 | 第19-21页 |
| 1.4 论文结构安排 | 第21-24页 |
| 第二章 用于低功耗体域网的运动数据压缩感知设计 | 第24-36页 |
| 2.1 引言 | 第24页 |
| 2.2 基于压缩感知的加速度数据处理方法 | 第24-29页 |
| 2.2.1 压缩感知理论 | 第24-26页 |
| 2.2.2 基于压缩感知的低功耗体域网系统方案设计 | 第26-29页 |
| 2.3 实验结果与分析 | 第29-35页 |
| 2.3.1 实验数据集 | 第29页 |
| 2.3.2 算法性能客观评价指标 | 第29-30页 |
| 2.3.3 测量矩阵的设计 | 第30-33页 |
| 2.3.4 加速度数据的重构效果评价 | 第33-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于EMD和小波阈值消噪的运动数据压缩重构算法 | 第36-44页 |
| 3.1 引言 | 第36页 |
| 3.2 含噪信号压缩感知去噪重构模型 | 第36-38页 |
| 3.2.1 经验模态分解 | 第36-37页 |
| 3.2.2 小波阈值去噪 | 第37-38页 |
| 3.3 含噪加速度信号压缩感知去噪重构流程 | 第38-39页 |
| 3.4 仿真结果与分析 | 第39-43页 |
| 3.4.1 评价指标与实验数据集 | 第39页 |
| 3.4.2 实验结果 | 第39-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于随机投影的快速稀疏表示人体动作识别方法 | 第44-54页 |
| 4.1 引言 | 第44页 |
| 4.2 方法 | 第44-50页 |
| 4.2.1 随机投影 | 第44-45页 |
| 4.2.2 构建稀疏表示人体动作识别模型 | 第45-46页 |
| 4.2.3 基于随机投影的快速稀疏表示分类算法 | 第46-48页 |
| 4.2.4 算法验证 | 第48-50页 |
| 4.3 仿真结果 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 基于分布式压缩感知的联合稀疏近邻表示人体动作识别方法 | 第54-68页 |
| 5.1 引言 | 第54页 |
| 5.2 分布式压缩感知理论 | 第54-55页 |
| 5.3 基于联合稀疏表示的动作识别问题描述 | 第55-57页 |
| 5.4 方法 | 第57-62页 |
| 5.4.1 基于分布式压缩感知的动作识别 | 第57-58页 |
| 5.4.2 联合稀疏近邻表示分类算法 | 第58-59页 |
| 5.4.3 联合稀疏表示系数重构 | 第59-61页 |
| 5.4.4 联合稀疏近邻表示分类 | 第61-62页 |
| 5.5 实验结果与分析 | 第62-66页 |
| 5.5.1 实验设置 | 第62页 |
| 5.5.2 实验结果 | 第62-66页 |
| 5.6 本章小结 | 第66-68页 |
| 第六章 结论与展望 | 第68-72页 |
| 6.1 论文工作总结 | 第68-69页 |
| 6.2 工作展望 | 第69-72页 |
| 参考文献 | 第72-78页 |
| 攻读学位期间承担的科研任务与主要成果 | 第78-80页 |
| 致谢 | 第80-82页 |
| 个人简历 | 第82-85页 |
