| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-15页 |
| ·课题研究背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·本文研究的主要内容介绍 | 第13-15页 |
| 第2章 统计学习理论和 SVM 相关研究 | 第15-28页 |
| ·统计学习理论的核心内容 | 第15-19页 |
| ·学习一致性及条件 | 第15-16页 |
| ·VC 维理论 | 第16-17页 |
| ·推广性的界 | 第17-18页 |
| ·结构风险最小化 | 第18-19页 |
| ·SVM 方法的介绍 | 第19-27页 |
| ·最优分类面 | 第19-21页 |
| ·广义最优分类面 | 第21-23页 |
| ·高维空间中的最优分类面 | 第23-24页 |
| ·核函数 | 第24-25页 |
| ·SVM | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 基于 SVM 手势识别方法的设计 | 第28-35页 |
| ·多分类支持向量机构造方法 | 第28-34页 |
| ·一对多方法 | 第28-30页 |
| ·一对一方法 | 第30-31页 |
| ·有向无环图方法 | 第31-32页 |
| ·二叉树支持向量机 | 第32-33页 |
| ·一次求解算法 | 第33-34页 |
| ·本文多分类方法的选择 | 第34页 |
| ·本章小结 | 第34-35页 |
| 第4章 基于 AMI602 的手势加速度信号预处理 | 第35-42页 |
| ·加速度信号提取 | 第35-37页 |
| ·数据整理 | 第37-39页 |
| ·归一化处理 | 第39-40页 |
| ·数据平滑滤波 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第5章 手势识别实验 | 第42-54页 |
| ·十个阿拉伯数字手势的识别 | 第42-49页 |
| ·数据采集和手势模板库的建立 | 第43-45页 |
| ·算法参数选择和分类模型训练 | 第45-49页 |
| ·五个英文字母手势的识别 | 第49-53页 |
| ·试验结果分析 | 第53页 |
| ·本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第60-61页 |
| 致谢 | 第61-62页 |
| 作者简介 | 第62页 |