摘要 | 第5-6页 |
abstract | 第6页 |
第1章 绪论 | 第9-17页 |
1.1 研究背景和意义 | 第9-11页 |
1.2 国内外研究现状 | 第11-13页 |
1.2.1 人体运动行为识别预处理和特征提取 | 第11-12页 |
1.2.2 人体运动模式识别分类算法 | 第12-13页 |
1.3 本文研究内容 | 第13-14页 |
1.4 论文结构安排 | 第14-17页 |
第2章 人体运动行为识别研究介绍 | 第17-27页 |
2.1 人体运动模式识别关键技术 | 第17-24页 |
2.1.1 数据采集 | 第18-19页 |
2.1.2 预处理 | 第19-20页 |
2.1.3 特征提取和特征选择 | 第20-22页 |
2.1.4 分类算法 | 第22-24页 |
2.2 在群智感知环境下个体运动行为识别主要研究难点 | 第24页 |
2.3 本章小结 | 第24-27页 |
第3章 基于加速度传感器的人体运动行为识别 | 第27-41页 |
3.1 高斯平滑滤波 | 第27-28页 |
3.2 MFFT特征提取和时域频域特征提取 | 第28-30页 |
3.2.1 本文提取的特征 | 第28-29页 |
3.2.2 新的FFT系数特征(MFFT)提取方法 | 第29-30页 |
3.3 基于加速度数据的个体运动行为SVM二类分类算法 | 第30-34页 |
3.3.1 SVM分类器 | 第30-33页 |
3.3.2 SVM二类分类算法 | 第33-34页 |
3.4 应用最优特征子集的非平衡决策树SVM多类分类算法设计 | 第34-39页 |
3.4.1 类间分离性测度 | 第35页 |
3.4.2 非平衡二叉决策树SVM多类分类算法 | 第35-37页 |
3.4.3 应用最优特征子集选择(FFS)的优化算法 | 第37-39页 |
3.5 本章小结 | 第39-41页 |
第4章 群智感知环境中多数据融合的人体运动模式识别 | 第41-55页 |
4.1 基于历史数据的人体运动模式识别 | 第41-46页 |
4.1.1 基于朴素贝叶斯分类算法的历史数据人体动作识别算法 | 第42-43页 |
4.1.2 自适应的历史数据分类算法 | 第43-46页 |
4.2 基于地理位置信息的人体运动模式识别 | 第46-49页 |
4.2.1 基于k近邻算法的地理位置数据人体运动模式识别 | 第46-47页 |
4.2.2 样本数据的剪辑和压缩算法 | 第47-49页 |
4.3 多种数据融合的集成分类器设计 | 第49-53页 |
4.3.1 带判别函数分类器的集成分类算法 | 第49-50页 |
4.3.2 无判别函数SVM分类算法的判别输出方法 | 第50-52页 |
4.3.3 集成方案 | 第52-53页 |
4.4 本章小结 | 第53-55页 |
第5章 实验结果和分析 | 第55-69页 |
5.1 实验测试环境与数据集说明 | 第55-56页 |
5.2 基于加速度数据人体运动模式识别分类器训练 | 第56-64页 |
5.2.1 数据采集方案 | 第56-59页 |
5.2.2 MFFT和FFT系数特征对比和特征维数优化 | 第59-61页 |
5.2.3 基于二叉决策树SVM多类分类算法与改进算法对比 | 第61-64页 |
5.3 基于历史数据个体运动行为识别分类器训练 | 第64页 |
5.4 基于地理信息个体运动行为识别分类器训练 | 第64-66页 |
5.5 集成分类器训练 | 第66-67页 |
5.6 本章小结 | 第67-69页 |
结论 | 第69-71页 |
参考文献 | 第71-77页 |
致谢 | 第77页 |