移动终端数据的社交环境挖掘
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 研究动机 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-19页 |
| 1.3.1 用户轨迹研究 | 第13-14页 |
| 1.3.2 移动环境与运动行为识别 | 第14-15页 |
| 1.3.3 社交环境 | 第15-16页 |
| 1.3.4 ISO-Space | 第16-19页 |
| 1.4 本文主要工作及结构 | 第19-20页 |
| 第2章 相关工作 | 第20-27页 |
| 2.1 移动设备传感器 | 第20-24页 |
| 2.1.1 加速度传感器 | 第20-21页 |
| 2.1.2 重力传感器 | 第21-22页 |
| 2.1.3 陀螺仪传感器 | 第22-23页 |
| 2.1.4 电子罗盘传感器 | 第23-24页 |
| 2.1.5 其他传感器 | 第24页 |
| 2.2 分类算法 | 第24-27页 |
| 2.2.1 最小距离分类法 | 第24-25页 |
| 2.2.2 KNN算法 | 第25页 |
| 2.2.3 SVM算法 | 第25-26页 |
| 2.2.4 决策树算法 | 第26-27页 |
| 第3章 基于移动设备的用户行为研究 | 第27-31页 |
| 3.1 用户轨迹行为模式研究 | 第27-28页 |
| 3.2 用户行为模式识别研究 | 第28-31页 |
| 3.2.1 基于影像的行为识别 | 第28-29页 |
| 3.2.2 基于可穿戴设备的行为识别 | 第29页 |
| 3.2.3 基于智能手机的行为识别流程 | 第29-31页 |
| 第4章 基于移动设备传感器的场景识别研究 | 第31-49页 |
| 4.1 问题的定义 | 第31-37页 |
| 4.1.1 引言 | 第31-32页 |
| 4.1.2 传感器的使用 | 第32-33页 |
| 4.1.3 实体 | 第33-34页 |
| 4.1.4 属性 | 第34-36页 |
| 4.1.5 环境 | 第36-37页 |
| 4.2 总体框架 | 第37-39页 |
| 4.3 各模块介绍 | 第39-46页 |
| 4.3.1 空间属性学习 | 第39-42页 |
| 4.3.2 社交属性学习 | 第42-43页 |
| 4.3.3 行为属性学习 | 第43-45页 |
| 4.3.4 环境识别 | 第45-46页 |
| 4.4 实验以及实验结果 | 第46-48页 |
| 4.4.1 基于安卓系统的数据收集程序 | 第46-47页 |
| 4.4.2 实验数据及结果 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 作者简介及在学期间所取得的科研成果 | 第55-56页 |
| 致谢 | 第56页 |
