多分类器融合算法在行为识别中的应用研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9页 |
| 1.3 研究内容 | 第9-10页 |
| 1.4 论文结构安排 | 第10-12页 |
| 第2章 多分类器融合技术 | 第12-24页 |
| 2.1 多分类器融合概念 | 第12页 |
| 2.2 多分类器的拓扑结构 | 第12-14页 |
| 2.2.1 多分类器的级联组合 | 第12-13页 |
| 2.2.2 多分类器的并联组合 | 第13页 |
| 2.2.3 多分类器的混合组合 | 第13-14页 |
| 2.3 基分类器 | 第14-19页 |
| 2.3.1 基分类器的类型 | 第14-18页 |
| 2.3.2 基分类器的选择 | 第18-19页 |
| 2.4 融合算法 | 第19-22页 |
| 2.4.1 基于软决策形式的融合算法 | 第20页 |
| 2.4.2 基于硬决策形式的融合算法 | 第20-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 基于软决策形式的融合模型 | 第24-40页 |
| 3.1 基于软决策的融合算法的行为识别模型构建 | 第24页 |
| 3.2 特征优选 | 第24-26页 |
| 3.2.1 基于蚁群算法的特征优选方法 | 第24-25页 |
| 3.2.2 基于多频段时域分解的特征优选方法 | 第25-26页 |
| 3.3 专用基分类器 | 第26-31页 |
| 3.3.1 静止基分类器C_1 | 第27-28页 |
| 3.3.2 散步基分类器C_2 | 第28页 |
| 3.3.3 跑步基分类器C_3 | 第28-29页 |
| 3.3.4 上楼基分类器C_4 | 第29-30页 |
| 3.3.5 下楼基分类器C_5 | 第30-31页 |
| 3.4 加权累积平均最大值算法 | 第31-35页 |
| 3.4.1 算法的定义 | 第31-32页 |
| 3.4.2 算法的实现 | 第32-35页 |
| 3.5 性能评估 | 第35页 |
| 3.6 实验 | 第35-39页 |
| 3.6.1 实验工具 | 第35-36页 |
| 3.6.2 实验数据 | 第36-37页 |
| 3.6.3 实验结果分析 | 第37-39页 |
| 3.7 本章小结 | 第39-40页 |
| 第4章 基于硬决策形式的融合模型 | 第40-52页 |
| 4.1 基于硬决策的融合算法的行为识别模型构建 | 第40页 |
| 4.2 通用基分类器 | 第40-43页 |
| 4.2.1 决策树 | 第41-42页 |
| 4.2.2 支持向量机 | 第42页 |
| 4.2.3 BP神经网络 | 第42-43页 |
| 4.3 高可信度加权投票融合算法 | 第43-46页 |
| 4.3.1 可信度的提取 | 第43-44页 |
| 4.3.2 改进后的投票法 | 第44-45页 |
| 4.3.3 算法举例 | 第45-46页 |
| 4.4 实验 | 第46-50页 |
| 4.4.1 实验数据集 | 第46-47页 |
| 4.4.2 实验步骤 | 第47页 |
| 4.4.3 实验结果分析 | 第47-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 本文总结 | 第52页 |
| 5.2 工作展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读学位期间取得的研究成果 | 第58-60页 |
| 致谢 | 第60-61页 |
