首页--工业技术论文--自动化技术、计算机技术论文--自动化技术及设备论文--自动化元件、部件论文--发送器(变换器)、传感器论文--传感器的应用论文

群智感知环境中个人行为特征分析及识别技术研究

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

论文共77页,点击 下载论文
上一篇:基于粘弹性理论的碰撞力模型及其在碰撞TMD中的应用
下一篇:基于音频辅助的音视频信息融合目标跟踪方法研究