基于机器学习算法的摔倒检测和日常行为识别研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 符号说明 | 第10-11页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 课题研究现状 | 第12-13页 |
| 1.3 本文主要内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第二章 相关技术和方法 | 第15-25页 |
| 2.1 机器学习 | 第15-16页 |
| 2.1.1 监督学习 | 第15-16页 |
| 2.1.2 无监督学习 | 第16页 |
| 2.2 人工神经网络 | 第16-19页 |
| 2.2.1 BP神经网络的主要步骤 | 第17-19页 |
| 2.3 梯度下降算法 | 第19页 |
| 2.4 支持向量机 | 第19-20页 |
| 2.5 隐藏马尔可夫模型 | 第20-21页 |
| 2.6 径向基函数 | 第21页 |
| 2.7 其他技术方法 | 第21-22页 |
| 2.8 本文方法论 | 第22-24页 |
| 2.9 本章小结 | 第24-25页 |
| 第三章 系统设计与实现 | 第25-37页 |
| 3.1 输入数据描述 | 第25-28页 |
| 3.2 属性加速度的建立 | 第28-29页 |
| 3.3 数据预处理 | 第29-32页 |
| 3.4 后向传播神经网络 | 第32-33页 |
| 3.4.1 不同层的数量 | 第32-33页 |
| 3.4.2 激活函数的选取 | 第33页 |
| 3.5 支持向量机 | 第33-34页 |
| 3.5.1 核函数的选取 | 第33页 |
| 3.5.2 LibSVM的实现 | 第33-34页 |
| 3.6 隐藏马尔可夫模型 | 第34-36页 |
| 3.7 本章小结 | 第36-37页 |
| 第四章 训练结果和方法改进 | 第37-50页 |
| 4.1 BP神经网络 | 第37-39页 |
| 4.2 支持向量机 | 第39-40页 |
| 4.3 隐藏马尔可夫模型 | 第40页 |
| 4.4 三种方法的比较与分析 | 第40-42页 |
| 4.5 新方法的提出 | 第42-46页 |
| 4.6 通用性扩展 | 第46-49页 |
| 4.7 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 伦理思考 | 第51页 |
| 5.3 展望 | 第51-52页 |
| 参考文献 | 第52-54页 |
| 附录 | 第54-58页 |
| 攻读硕士学位期间取得的研究成果 | 第58-59页 |
| 致谢 | 第59页 |
