| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景与研究意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究目的及主要内容 | 第12-13页 |
| 1.2.1 研究目的 | 第12页 |
| 1.2.2 研究内容 | 第12-13页 |
| 1.3 研究方法与技术路线 | 第13-14页 |
| 1.4 可能的创新之处 | 第14-15页 |
| 2 理论基础与相关文献综述 | 第15-27页 |
| 2.1 概念界定 | 第15-16页 |
| 2.2 机器学习理论 | 第16-20页 |
| 2.2.1 有监督机器学习 | 第16-20页 |
| 2.2.2 无监督学习与异常检测 | 第20页 |
| 2.3 文献综述 | 第20-24页 |
| 2.3.1 日常行为监测方式 | 第20-22页 |
| 2.3.2 日常行为建模与识别 | 第22-24页 |
| 2.3.3 异常行为检测 | 第24页 |
| 2.4 研究难点 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 支持向量机与高斯混合模型 | 第27-39页 |
| 3.1 支持向量机 | 第27-34页 |
| 3.1.1 线性支持向量分类 | 第27-30页 |
| 3.1.2 核技巧 | 第30-31页 |
| 3.1.3 学习算法 | 第31-32页 |
| 3.1.4 日常行为模型构建与识别 | 第32-34页 |
| 3.2 基于高斯混合模型的异常检测 | 第34-38页 |
| 3.2.1 高斯混合模型 | 第34-36页 |
| 3.2.2 EM算法 | 第36-37页 |
| 3.2.3 日常行为异常检测框架 | 第37-38页 |
| 3.3 本章小结 | 第38-39页 |
| 4 数据处理与特征集构建 | 第39-49页 |
| 4.1 序列分割与标注 | 第39-41页 |
| 4.2 传感器数据处理 | 第41-43页 |
| 4.3 老人日常行为特征集构建 | 第43-46页 |
| 4.3.1 基于信息增益和信息熵传感器权重 | 第44-46页 |
| 4.3.2 日常行为特征集 | 第46页 |
| 4.4 日常行为特征对比试验 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 5 老人日常行为识别及异常行为检测试验与分析 | 第49-58页 |
| 5.1 基于情景的序列数据切分方法试验 | 第49-50页 |
| 5.2 基于特征组合和SVM的日常行为识别试验 | 第50-55页 |
| 5.3 基于GMM的异常行为检测试验 | 第55-57页 |
| 5.4 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 论文主要工作 | 第58-59页 |
| 6.2 下一步研究方向 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-68页 |
| 附录一：作者在读期间发表的学术论文及参加的科研项目 | 第68-69页 |
| 附录二：序列分割算法 | 第69-72页 |
| 附录三：特征提取相关代码 | 第72-76页 |
| 附录四：日常行为模型训练 | 第76-82页 |
| 附录五：日常行为模型混淆矩阵 | 第82-83页 |