| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 体感动作识别研究难点 | 第14-15页 |
| 1.4 本文的研究内容 | 第15-16页 |
| 1.5 本文结构安排 | 第16-18页 |
| 第二章 非受限环境下日常行为实时识别的研究和实现 | 第18-32页 |
| 2.1 识别系统框架 | 第18-19页 |
| 2.2 深度学习模型简介 | 第19-21页 |
| 2.2.1 深度置信网络简介 | 第19页 |
| 2.2.2 卷积神经网络简介 | 第19-20页 |
| 2.2.3 深度残差网络简介 | 第20-21页 |
| 2.3 基于CNN和深度残差网络的日常行为识别 | 第21-23页 |
| 2.3.1 基于CNN的日常行为识别 | 第21-22页 |
| 2.3.2 基于深度残差网络的日常行为识别 | 第22-23页 |
| 2.4 数据介绍 | 第23-24页 |
| 2.5 实验方案 | 第24-25页 |
| 2.6 实验结果与分析 | 第25-31页 |
| 2.6.1 基于卷积神经网络的实验 | 第25-27页 |
| 2.6.2 基于深度残差网络的实验 | 第27-28页 |
| 2.6.3 基于深度置信网络的实验 | 第28-29页 |
| 2.6.4 基于支持向量机的实验 | 第29-30页 |
| 2.6.5 不同模型的性能对比 | 第30-31页 |
| 2.7 本章小结 | 第31-32页 |
| 第三章 在智能手表上基于深度残差网络的专业健身动作分类及数据分析 | 第32-46页 |
| 3.1 AndroidWear简介 | 第32-33页 |
| 3.2 数据采集 | 第33-34页 |
| 3.3 基于深度残差网络的健身动作识别 | 第34-37页 |
| 3.3.1 数据预处理 | 第36页 |
| 3.3.2 模型训练和模型移植 | 第36-37页 |
| 3.3.3 数据后处理 | 第37页 |
| 3.4 健身计数任务 | 第37-40页 |
| 3.4.1 计数逻辑实现 | 第38-40页 |
| 3.4.2 计数结果分析 | 第40页 |
| 3.5 跑步数据分析 | 第40-43页 |
| 3.5.1 跑步动作简介 | 第41页 |
| 3.5.2 步频 | 第41-42页 |
| 3.5.3 触地时间 | 第42页 |
| 3.5.4 垂直幅度 | 第42-43页 |
| 3.6 面向嵌入式系统的实时行为识别和分析应用 | 第43-45页 |
| 3.6.1 ARM处理器 | 第43页 |
| 3.6.2 滑动窗的实现 | 第43-44页 |
| 3.6.3 特征提取 | 第44-45页 |
| 3.6.4 自适应采样率调节 | 第45页 |
| 3.7 本章小结 | 第45-46页 |
| 第四章 基于对抗生成网络的样本生成与模型调优方法 | 第46-56页 |
| 4.1 对抗生成网络相关背景介绍 | 第46-50页 |
| 4.1.1 对抗生成网络的基本模型 | 第46-48页 |
| 4.1.2 Wasserstein对抗生成网络 | 第48-49页 |
| 4.1.3 基于深度卷积的对抗生成网络 | 第49页 |
| 4.1.4 基于条件对抗生成网络 | 第49-50页 |
| 4.2 实验网络结构介绍 | 第50-51页 |
| 4.3 生成样本的使用 | 第51-52页 |
| 4.4 实验结果 | 第52-55页 |
| 4.5 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间取得的研究成果 | 第63-64页 |
| 致谢 | 第64-65页 |
| 附录 | 第65页 |