| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 课题来源 | 第10页 |
| 1.2 研究背景与意义 | 第10-13页 |
| 1.3 国内外研究综述 | 第13-18页 |
| 1.3.1 活动识别的应用领域 | 第13-14页 |
| 1.3.2 活动识别的传感器类型 | 第14-16页 |
| 1.3.3 活动识别的深度学习模型 | 第16-17页 |
| 1.3.4 活动识别的迁移学习方法 | 第17-18页 |
| 1.4 本文的主要研究内容及章节安排 | 第18-21页 |
| 第2章 基于传感器数据的活动识别方法研究 | 第21-39页 |
| 2.1 基于传感器数据的活动识别方法定义与难点挑战 | 第21-23页 |
| 2.2 整体研究方案 | 第23-31页 |
| 2.2.1 传感器数据预处理 | 第23-25页 |
| 2.2.2 活动识别领域的判别式深度模型 | 第25-29页 |
| 2.2.3 活动识别领域的生成式深度模型 | 第29-30页 |
| 2.2.4 活动识别领域的混合式深度模型 | 第30-31页 |
| 2.3 活动识别领域基于传感器数据的深度学习模型评估 | 第31-38页 |
| 2.3.1 UCI human activity recognition using smartphones数据集 | 第31-33页 |
| 2.3.2 UniMiB SHAR数据集 | 第33-34页 |
| 2.3.3 OPPORTUNITY数据集 | 第34-35页 |
| 2.3.4 活动识别的深度学习模型网络结构对比分析 | 第35-37页 |
| 2.3.5 活动识别领域基于传感器数据的深度学习模型对比分析 | 第37-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第3章 活动识别领域深度迁移的实证研究 | 第39-53页 |
| 3.1 活动识别领域不同人之间迁移问题定义 | 第39-40页 |
| 3.2 整体研究方案 | 第40-44页 |
| 3.2.1 基础的深度学习模型 | 第41-42页 |
| 3.2.2 无监督迁移学习 | 第42-43页 |
| 3.2.3 半监督迁移学习 | 第43-44页 |
| 3.3 活动识别领域DANN与FINE-TUNE迁移方法评估 | 第44-52页 |
| 3.3.1 CNN提取特征分析 | 第44-46页 |
| 3.3.2 DANN实验结果分析 | 第46-49页 |
| 3.3.3 Fine-tune实验结果分析 | 第49-52页 |
| 3.4 活动识别领域DANN与FINE-TUNE迁移的评估与结论 | 第52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 基于CENTER LOSS与MMD的迁移方法研究 | 第53-65页 |
| 4.1 整体研究方案 | 第53页 |
| 4.2 CENTER LOSS与MMD联合损失函数迁移方法 | 第53-57页 |
| 4.2.1 Center Loss数据特征表示方法 | 第53-55页 |
| 4.2.2 MMD迁移方法 | 第55-56页 |
| 4.2.3 Center Loss与MMD联合损失函数 | 第56-57页 |
| 4.3 活动识别领域无监督迁移方法评估 | 第57-63页 |
| 4.3.1 MMD实验结果分析 | 第59-60页 |
| 4.3.2 Center Loss与MMD联合损失实验结果分析 | 第60-62页 |
| 4.3.3 DANN实验结果分析 | 第62页 |
| 4.3.4 WD实验结果分析 | 第62-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第5章 基于安卓手机的活动识别迁移方法测试与评估 | 第65-71页 |
| 5.1 基于安卓手机的活动识别传感器数据采集说明 | 第65-67页 |
| 5.2 基于无监督迁移方法测试与评估 | 第67-68页 |
| 5.3 基于无监督迁移方法特征可视化分析 | 第68-70页 |
| 5.4 本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第79-81页 |
| 致谢 | 第81页 |
