| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 主要符号对照表 | 第16-17页 |
| 第一章 绪论 | 第17-37页 |
| 1.1 用户活动识别问题定义及研究意义 | 第18-26页 |
| 1.1.1 用户活动定义 | 第18-20页 |
| 1.1.2 用户活动识别问题 | 第20-21页 |
| 1.1.3 用户活动识别的意义 | 第21-23页 |
| 1.1.4 用户活动识别所涉及的研究问题 | 第23-26页 |
| 1.2 基于智能移动设备的用户活动识别技术 | 第26-30页 |
| 1.2.1 智能移动设备上的传感器 | 第26-28页 |
| 1.2.2 用户活动识别链 | 第28-29页 |
| 1.2.3 基于智能手机和可穿戴设备的感知框架 | 第29-30页 |
| 1.3 本文研究内容及思路 | 第30-35页 |
| 1.3.1 使用半马尔科夫模型在用户活动识别中对持续时间进行建模 | 第30-32页 |
| 1.3.2 在特征和模型层面对不同类型的观测进行融合 | 第32-33页 |
| 1.3.3 用户活动预测技术与传感器调度技术 | 第33-34页 |
| 1.3.4 异常活动识别技术与被暴力侵犯监测应用 | 第34-35页 |
| 1.4 本文工作与贡献 | 第35-36页 |
| 1.5 论文组织 | 第36-37页 |
| 第二章 相关工作 | 第37-51页 |
| 2.1 用户活动分类 | 第37-40页 |
| 2.1.1 低级活动 | 第37-38页 |
| 2.1.2 高级活动 | 第38-39页 |
| 2.1.3 日常活动 | 第39-40页 |
| 2.2 感知方式 | 第40-44页 |
| 2.2.1 动作感知 | 第40-41页 |
| 2.2.2 视觉感知 | 第41页 |
| 2.2.3 声音感知 | 第41-42页 |
| 2.2.4 其他感知方式 | 第42-43页 |
| 2.2.5 感知融合 | 第43-44页 |
| 2.3 用户活动识别流程 | 第44-49页 |
| 2.3.1 片段划分 | 第44-45页 |
| 2.3.2 特征提取 | 第45-46页 |
| 2.3.3 分类识别 | 第46-49页 |
| 2.4 总结 | 第49-51页 |
| 第三章 用户活动识别框架 | 第51-59页 |
| 3.1 基于可穿戴设备和智能手机的用户活动感知平台 | 第51-53页 |
| 3.2 数据采集 | 第53-54页 |
| 3.3 数据处理 | 第54-57页 |
| 3.3.1 预处理 | 第54页 |
| 3.3.2 片段划分 | 第54-55页 |
| 3.3.3 特征提取 | 第55-57页 |
| 3.4 本章总结 | 第57-59页 |
| 第四章 基于特征融合和半马尔科夫模型的活动识别技术 | 第59-81页 |
| 4.1 问题描述 | 第59-60页 |
| 4.2 特征工程 | 第60-62页 |
| 4.2.1 特征融合 | 第60-61页 |
| 4.2.2 特征分布 | 第61-62页 |
| 4.3 基于隐半马尔科夫模型的用户活动识别技术 | 第62-67页 |
| 4.3.1 基于HSMM的用户活动识别模型 | 第62-66页 |
| 4.3.2 参数学习方法 | 第66-67页 |
| 4.4 基于半马尔科夫条件随机场的用户活动识别技术 | 第67-75页 |
| 4.4.1 基于SMCRF的用户活动识别模型 | 第67-69页 |
| 4.4.2 活动识别方法 | 第69-71页 |
| 4.4.3 参数学习方法 | 第71-75页 |
| 4.5 实验与分析 | 第75-80页 |
| 4.5.1 数据采集、性能指标和实验方法 | 第75页 |
| 4.5.2 实验1：特征降维和特征分布的性能测试 | 第75-77页 |
| 4.5.3 实验2：基于特征融合和半马尔科夫模型的活动识别的性能 | 第77-80页 |
| 4.6 本章总结 | 第80-81页 |
| 第五章 基于模型融合和半马尔科夫模型的活动识别技术 | 第81-95页 |
| 5.1 问题描述 | 第81-82页 |
| 5.2 基于隐半马尔科夫模型的多模数据融合用户活动识别技术 | 第82-86页 |
| 5.2.1 基于HSMM的多模数据融合用户活动识别模型 | 第82-84页 |
| 5.2.2 活动识别方法 | 第84-85页 |
| 5.2.3 参数学习方法 | 第85-86页 |
| 5.3 基于半马尔科夫条件随机场的多模数据融合用户活动识别技术 | 第86-90页 |
| 5.3.1 基于SMCRF的多模数据融合用户活动识别模型 | 第86-87页 |
| 5.3.2 活动识别方法 | 第87页 |
| 5.3.3 参数学习方法 | 第87-90页 |
| 5.4 实验与分析 | 第90-93页 |
| 5.4.1 实验1：模型融合方法与特征融合方法的比较 | 第90-91页 |
| 5.4.2 实验2：单独使用各类观测进行活动识别的性能 | 第91-93页 |
| 5.5 本章总结 | 第93-95页 |
| 第六章 用户活动预测技术与应用 | 第95-111页 |
| 6.1 用户活动预测技术 | 第95-100页 |
| 6.1.1 用户活动预测问题描述 | 第95-96页 |
| 6.1.2 用户活动预测方法 | 第96-100页 |
| 6.2 基于用户活动预测的传感器调度应用 | 第100-104页 |
| 6.2.1 基于活动预测的传感器调度问题描述 | 第101-102页 |
| 6.2.2 基于活动预测的传感器调度算法 | 第102-104页 |
| 6.3 实验与分析 | 第104-108页 |
| 6.3.1 实验1：尚未结束活动预测的性能 | 第104-106页 |
| 6.3.2 实验2：传感器调度算法的性能 | 第106-108页 |
| 6.4 本章总结 | 第108-111页 |
| 第七章 异常活动识别技术与应用 | 第111-121页 |
| 7.1 异常活动识别 | 第111-114页 |
| 7.1.1 异常活动识别问题描述 | 第111-112页 |
| 7.1.2 异常活动识别方法 | 第112-114页 |
| 7.2 用户被暴力侵犯监测应用 | 第114-119页 |
| 7.2.1 问题描述与意义 | 第114-115页 |
| 7.2.2 用户被暴力侵犯动作的识别方法 | 第115-117页 |
| 7.2.3 实验与分析 | 第117-119页 |
| 7.3 本章总结 | 第119-121页 |
| 第八章 总结与展望 | 第121-125页 |
| 8.1 本文总结 | 第121-123页 |
| 8.2 研究展望 | 第123-125页 |
| 参考文献 | 第125-133页 |
| 致谢 | 第133-135页 |
| 在读期间发表的学术论文与取得的研究成果 | 第135-137页 |
