基于Myo臂环的手语识别算法的研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及目的 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.3 论文的研究内容与组织结构 | 第17-19页 |
| 第2章 相关知识及技术 | 第19-35页 |
| 2.1 引言 | 第19页 |
| 2.2 基于微软KINECT的手语翻译系统 | 第19-22页 |
| 2.3 基于数据手套的手语翻译系统 | 第22-27页 |
| 2.4 自然语言处理与马尔科夫链 | 第27-31页 |
| 2.4.1 自然语言处理 | 第28页 |
| 2.4.2 马尔可夫链 | 第28-29页 |
| 2.4.3 自然语言的马尔可夫模型 | 第29页 |
| 2.4.4 解决方案 | 第29-31页 |
| 2.5 交叉验证 | 第31-33页 |
| 2.5.1 K折交叉验证 | 第32-33页 |
| 2.5.2 交叉验证的优势 | 第33页 |
| 2.5.3 交叉验证的局限 | 第33页 |
| 2.6 本章小结 | 第33-35页 |
| 第3章 数据收集及数据处理 | 第35-42页 |
| 3.1 美国手语 | 第35-36页 |
| 3.2 收集方法 | 第36-38页 |
| 3.2.1 实验工具 | 第36页 |
| 3.2.2 CITI资格认证 | 第36-37页 |
| 3.2.3 手语单词 | 第37页 |
| 3.2.4 手语手势 | 第37-38页 |
| 3.2.5 采集过程 | 第38页 |
| 3.3 特征提取 | 第38-39页 |
| 3.4 实验工具WEKA | 第39-41页 |
| 3.4.1 功能简介 | 第39-40页 |
| 3.4.2 用户界面 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 分类算法的研究 | 第42-67页 |
| 4.1 J48算法 | 第42-46页 |
| 4.1.1 算法结构 | 第43页 |
| 4.1.2 信息增益值的计算 | 第43-44页 |
| 4.1.3 剪枝 | 第44-46页 |
| 4.2 朴素贝叶斯 | 第46-50页 |
| 4.2.1 算法结构 | 第46页 |
| 4.2.2 概率模型 | 第46-48页 |
| 4.2.3 参数预估和事件模型 | 第48-50页 |
| 4.2.4 朴素贝叶斯和逻辑回归的关系 | 第50页 |
| 4.3 K最近邻算法 | 第50-57页 |
| 4.3.1 统计学基础 | 第51页 |
| 4.3.2 KNN算法详解 | 第51页 |
| 4.3.3 参数选择 | 第51-52页 |
| 4.3.4 加权最近邻分类器 | 第52页 |
| 4.3.5 KNN算法的属性 | 第52-53页 |
| 4.3.6 错误率 | 第53页 |
| 4.3.7 维度降低 | 第53-54页 |
| 4.3.8 数据缩减 | 第54-56页 |
| 4.3.9 KNN回归 | 第56页 |
| 4.3.10 KNN噪声点 | 第56-57页 |
| 4.4 随机森林 | 第57-61页 |
| 4.4.1 算法详解 | 第57-59页 |
| 4.4.2 随机森林的属性 | 第59-60页 |
| 4.4.3 与最近邻算法的关系 | 第60页 |
| 4.4.4 无监督学习随机森林 | 第60-61页 |
| 4.4.5 核随机森林 | 第61页 |
| 4.5 实验结果 | 第61-66页 |
| 4.5.1 数据比较 | 第62-63页 |
| 4.5.2 算法讨论 | 第63-66页 |
| 4.6 本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-76页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第76-77页 |
| 致谢 | 第77页 |
