基于无线传感器网络和概率融合的行为识别方法
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-18页 |
| ·行为识别 | 第11-12页 |
| ·上下文感知 | 第11页 |
| ·行为识别的三种方式 | 第11-12页 |
| ·数据挖掘 | 第12-15页 |
| ·数据挖掘的定义 | 第12-13页 |
| ·数据挖掘的过程 | 第13页 |
| ·数据挖掘的功能 | 第13-14页 |
| ·数据挖掘的方法 | 第14-15页 |
| ·数据融合 | 第15-16页 |
| l.4 本文的内容及结构 | 第16-18页 |
| ·本文的主要内容 | 第16-17页 |
| ·本文的组织结构 | 第17-18页 |
| 第二章 无线传感器网络 | 第18-24页 |
| ·传感器网络体系结构 | 第18-21页 |
| ·传感器网络结构 | 第18-19页 |
| ·传感器节点结构 | 第19-20页 |
| ·传感器网络协议栈 | 第20-21页 |
| ·传感器网络的特征 | 第21-22页 |
| ·传感器网络的应用 | 第22-24页 |
| 第三章 基于加速度传感器的穿戴式行为识别系统 | 第24-29页 |
| ·加速度传感器 | 第24-25页 |
| ·行为识别场景 | 第25-26页 |
| ·基于加速度传感器的穿戴式行为识别系统框架 | 第26-29页 |
| ·行为识别系统的硬件框架 | 第26-27页 |
| ·行为识别系统的软件框架 | 第27-29页 |
| 第四章 数据挖掘及其概率估计算法 | 第29-41页 |
| ·数据挖掘框架 | 第29-30页 |
| ·数据预处理 | 第30-32页 |
| ·常见的预处理的方法 | 第30-31页 |
| ·本系统需要的预处理过程 | 第31-32页 |
| ·特征提取 | 第32-33页 |
| ·数据分类 | 第33-39页 |
| ·数据分类介绍 | 第33-34页 |
| ·支持向量机 | 第34-39页 |
| ·概率估计算法 | 第39-41页 |
| 第五章 数据融合 | 第41-48页 |
| ·数据融合分类 | 第41-42页 |
| ·基于多层次融合的行为识别 | 第41-42页 |
| ·基于多线索融合的行为识别 | 第42页 |
| ·D-S证据理论 | 第42-46页 |
| ·理论基础 | 第42-44页 |
| ·组合规则 | 第44页 |
| ·加权的D-S证据理论 | 第44-45页 |
| ·D-S证据理论在本系统中的使用 | 第45-46页 |
| ·基于概率估计和证据理论的数据融合 | 第46-48页 |
| 第六章 实验及分析 | 第48-52页 |
| ·实验一:公共数据源 | 第48-49页 |
| ·实验二:人体行为识别 | 第49-50页 |
| ·实验结果讨论 | 第50-52页 |
| 第七章 总结及展望 | 第52-54页 |
| ·全文总结 | 第52页 |
| ·对未来的展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 研究生期间参与的主要工作 | 第58-59页 |
| 攻读硕士期间发表的论文 | 第59页 |
