| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 基于视觉的动作识别 | 第12-13页 |
| 1.2.2 基于惯性传感器的动作识别 | 第13-14页 |
| 1.2.3 基于Wi-Fi的动作识别 | 第14页 |
| 1.2.4 多模态数据融合识别研究 | 第14-15页 |
| 1.3 论文主要研究工作 | 第15-16页 |
| 1.4 论文结构安排 | 第16页 |
| 1.5 本章小结 | 第16-18页 |
| 第2章 动作识别技术研究 | 第18-42页 |
| 2.1 人体动作识别步骤 | 第18页 |
| 2.2 数据预处理 | 第18-22页 |
| 2.2.1 平滑去噪 | 第18-19页 |
| 2.2.2 Wi-Fi有效信息提取 | 第19-20页 |
| 2.2.3 惯性传感数据处理 | 第20-22页 |
| 2.3 特征提取方法 | 第22-26页 |
| 2.3.1 特征提取分类 | 第22-23页 |
| 2.3.2 小波包分解 | 第23-26页 |
| 2.4 隐马尔可夫模型 | 第26-32页 |
| 2.4.1 HMM基础概念 | 第26-30页 |
| 2.4.2 HMM类别 | 第30-32页 |
| 2.5 多模态数据融合 | 第32-40页 |
| 2.5.1 多模态数据融合分类 | 第32-35页 |
| 2.5.2 BP神经网络 | 第35-40页 |
| 2.6 本章小结 | 第40-42页 |
| 第3章 基于WI-FI信号和惯性传感数据的动作识别方法 | 第42-54页 |
| 3.1 数据处理 | 第42-44页 |
| 3.1.1 Wi-Fi信号预处理 | 第42-43页 |
| 3.1.2 惯性数据预处理 | 第43-44页 |
| 3.2 特征提取 | 第44-47页 |
| 3.2.1 重采样 | 第44-45页 |
| 3.2.2 能量值提取 | 第45-46页 |
| 3.2.3 特征符号化 | 第46-47页 |
| 3.3 HMM分析建模 | 第47-50页 |
| 3.3.1 搭建HMM识别模型 | 第47-48页 |
| 3.3.2 模型训练识别 | 第48-50页 |
| 3.4 融合识别 | 第50-52页 |
| 3.4.1 BP神经网络模型 | 第50-52页 |
| 3.4.2 分类识别 | 第52页 |
| 3.5 本章小结 | 第52-54页 |
| 第4章 实验结果与分析 | 第54-64页 |
| 4.1 实验环境 | 第54-55页 |
| 4.2 单独实验结果 | 第55-58页 |
| 4.2.1 Wi-Fi识别效果 | 第55-57页 |
| 4.2.2 惯性传感数据识别效果 | 第57-58页 |
| 4.3 融合实验结果 | 第58-61页 |
| 4.3.1 特征值融合 | 第58-60页 |
| 4.3.2 决策值融合 | 第60-61页 |
| 4.4 对比实验分析 | 第61-62页 |
| 4.5 本章小结 | 第62-64页 |
| 第5章 总结与展望 | 第64-66页 |
| 5.1 工作总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 攻读硕士学位期间发表的论文 | 第72页 |