基于智能手机传感器数据的人类活动识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景 | 第10-12页 |
| 1.2 课题研究现状 | 第12-14页 |
| 1.3 本文的主要研究内容及结构安排 | 第14-16页 |
| 第2章 活动识别概述及实验数据处理 | 第16-29页 |
| 2.1 引言 | 第16页 |
| 2.2 活动识别概述及流程 | 第16-21页 |
| 2.2.1 传感器数据采集 | 第16-17页 |
| 2.2.2 传感器数据处理 | 第17-19页 |
| 2.2.3 模型训练与测试 | 第19页 |
| 2.2.4 性能评估 | 第19-21页 |
| 2.3 数据集采集 | 第21-22页 |
| 2.4 公开数据集介绍及处理 | 第22-28页 |
| 2.4.1 UCI-HAR数据集介绍及处理 | 第22-24页 |
| 2.4.2 WISDM数据集介绍及处理 | 第24-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于卷积神经网络的活动识别 | 第29-48页 |
| 3.1 引言 | 第29页 |
| 3.2 卷积神经网络介绍 | 第29-38页 |
| 3.2.1 卷积神经网络的层结构 | 第30-33页 |
| 3.2.2 卷积神经网络的训练 | 第33-36页 |
| 3.2.3 正则化 | 第36-38页 |
| 3.3 实验环境配置 | 第38-39页 |
| 3.4 卷积神经网络实验 | 第39-46页 |
| 3.4.1 构建卷积神经网络模型 | 第40-41页 |
| 3.4.2 超参数对模型的影响 | 第41-45页 |
| 3.4.3 模型评估与分析 | 第45-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第4章 基于循环神经网络的活动识别 | 第48-61页 |
| 4.1 引言 | 第48页 |
| 4.2 循环神经网络 | 第48-52页 |
| 4.2.1 循环神经网络的结构 | 第48-50页 |
| 4.2.2 循环神经网络的训练 | 第50-52页 |
| 4.3 LSTM介绍 | 第52-55页 |
| 4.4 基于LSTM的活动识别实验 | 第55-60页 |
| 4.4.1 构建LSTM网络模型 | 第55-56页 |
| 4.4.2 参数对模型的影响 | 第56-58页 |
| 4.4.3 模型评估与分析 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第5章 安卓平台活动识别应用的设计与实现 | 第61-65页 |
| 5.1 引言 | 第61页 |
| 5.2 应用设计流程 | 第61-63页 |
| 5.2.1 准备tensorflow模型 | 第61-62页 |
| 5.2.2 创建安卓应用 | 第62-63页 |
| 5.3 应用性能测评 | 第63-64页 |
| 5.4 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第71-72页 |
| 致谢 | 第72页 |
