基于深度学习的智能养老院管控系统关键技术研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-21页 |
| 1.1 课题研究背景及意义 | 第9-13页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 智能管控研究现状 | 第13-15页 |
| 1.2.2 跌倒检测研究现状 | 第15-18页 |
| 1.3 本文研究工作及组织结构 | 第18-20页 |
| 1.3.1 研究工作 | 第18-19页 |
| 1.3.2 组织结构 | 第19-20页 |
| 1.4 本章小结 | 第20-21页 |
| 2 智能设备管控与跌倒检测相关概念介绍 | 第21-29页 |
| 2.1 相关概念介绍 | 第21-22页 |
| 2.1.1 智能设备管控相关概念介绍 | 第21页 |
| 2.1.2 室内跌倒检测相关概念介绍 | 第21-22页 |
| 2.2 相关技术及难点分析 | 第22-27页 |
| 2.3 智能设备管控与跌倒检测数据集 | 第27页 |
| 2.3.1 智能设备数据集来源 | 第27页 |
| 2.3.2 意外跌倒数据采集 | 第27页 |
| 2.4 本章小结 | 第27-29页 |
| 3 基于自编码器的深度神经网络管控算法研究 | 第29-39页 |
| 3.1 研究流程概述 | 第30页 |
| 3.2 管控实验方法及步骤 | 第30-34页 |
| 3.2.1 智能设备数据来源 | 第30-31页 |
| 3.2.2 管控模型设计 | 第31-32页 |
| 3.2.3 管控模型训练 | 第32-34页 |
| 3.3 管控模型结果评估 | 第34-37页 |
| 3.3.1 不同管控算法比对 | 第34-35页 |
| 3.3.2 设备数量对于准确率的影响 | 第35-36页 |
| 3.3.3 预设阈值对于准确率的影响 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 4 基于核主成分分析和深度神经网络的跌倒检测算法 | 第39-47页 |
| 4.1 跌倒检测具体流程 | 第40-43页 |
| 4.1.1 跌倒实例数据 | 第40页 |
| 4.1.2 跌倒检测实验方法 | 第40-43页 |
| 4.2 跌倒检测结果评估 | 第43-45页 |
| 4.2.1 单一变量控制实验 | 第44页 |
| 4.2.2 双变量控制实验 | 第44-45页 |
| 4.2.3 识别分类器实验 | 第45页 |
| 4.3 本章小结 | 第45-47页 |
| 5 总结与展望 | 第47-51页 |
| 5.1 全文总结 | 第47-48页 |
| 5.2 未来工作展望 | 第48-51页 |
| 参考文献 | 第51-56页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第56-57页 |
| 致谢 | 第57-58页 |
