| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 人体姿势识别应用场景 | 第10-12页 |
| 1.3 国内外研究历史与现状 | 第12-15页 |
| 1.3.1 现有研究方法 | 第12-14页 |
| 1.3.2 研究热点问题 | 第14-15页 |
| 1.4 主要工作与组织结构 | 第15-17页 |
| 第二章 基于支持向量机的人体姿势识别 | 第17-33页 |
| 2.1 引言 | 第17页 |
| 2.2 人体姿势识别场景设计 | 第17-23页 |
| 2.2.1 基于通信信号传感信息的识别方案 | 第17-20页 |
| 2.2.2 姿势识别实验场景与数据采集 | 第20-23页 |
| 2.3 基于小波包的超宽带信号特征提取 | 第23-28页 |
| 2.3.1 通信信号的特征提取方法 | 第23页 |
| 2.3.2 基于小波包分解的姿势特征提取 | 第23-26页 |
| 2.3.3 基于小波包分解的性能分析 | 第26-28页 |
| 2.4 基于支持向量机的人体姿势识别方案及性能分析 | 第28-32页 |
| 2.4.1 支持向量机的分类原理 | 第28-30页 |
| 2.4.2 基本模型实现方案与分析 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 遗传算法优化的人体姿势识别 | 第33-46页 |
| 3.1 支持向量机参数优化 | 第33-34页 |
| 3.2 改进的自适应混沌算法ICAGA及其性能分析 | 第34-40页 |
| 3.2.1 自适应遗传算法 | 第34-35页 |
| 3.2.2 交叉与变异算子的改进 | 第35-36页 |
| 3.2.3 改进的混沌自适应遗传算法 | 第36-37页 |
| 3.2.4 改进算法的测试结果与分析 | 第37-40页 |
| 3.3 ICAGA优化SVM参数的人体姿势识别方法 | 第40-45页 |
| 3.3.1 ICAGA优化SVM参数 | 第40页 |
| 3.3.2 利用滑动时间窗口提升识别性能 | 第40-42页 |
| 3.3.3 ICAGA优化的人体姿势识别方法性能分析 | 第42-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于小波包与SVM的人体姿势识别平台 | 第46-56页 |
| 4.1 引言 | 第46页 |
| 4.2 人体姿势识别 | 第46-49页 |
| 4.2.1 PulsON 400的控制流程 | 第46-48页 |
| 4.2.2 基于MATLAB的GUI设计 | 第48-49页 |
| 4.3 姿势识别软件框架设计 | 第49-51页 |
| 4.4 识别算法验证平台搭建 | 第51-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 主要研究成果 | 第56页 |
| 5.2 下一步工作展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 作者攻读学位期间发表的学术论文目录 | 第63页 |
