| 摘要 | 第10-12页 |
| ABSTRACT | 第12-14页 |
| 第1章 前言 | 第15-22页 |
| 1.1 研究的背景与意义 | 第15-19页 |
| 1.1.1 用户身份识别的必要性 | 第15-16页 |
| 1.1.2 基于可穿戴设备的身份识别的必要性 | 第16-17页 |
| 1.1.3 基于可穿戴设备的步态身份识别的必要性 | 第17-19页 |
| 1.2 问题的提出 | 第19页 |
| 1.3 本文的主要工作 | 第19-20页 |
| 1.4 本文的章节组织 | 第20-22页 |
| 第2章 国内外研究现状综述 | 第22-33页 |
| 2.1 身份识别方法 | 第22-29页 |
| 2.1.1 密码识别方法 | 第22-25页 |
| 2.1.2 介质识别方法 | 第25-26页 |
| 2.1.3 生物特征识别方法 | 第26-29页 |
| 2.2 基于传感器的非干扰步态身份识别方法 | 第29-32页 |
| 2.3 传感位置无关的非干扰步态身份识别方法 | 第32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 面向用户非干扰步态身份识别的有效特征提取方法 | 第33-51页 |
| 3.1 数据采集 | 第33-34页 |
| 3.2 数据处理方法 | 第34-37页 |
| 3.3 行为与位置特征提取 | 第37-40页 |
| 3.3.1 时域特征 | 第37-39页 |
| 3.3.2 频域特征 | 第39-40页 |
| 3.4 基于贝叶斯理论的上下文信息感知方法 | 第40-41页 |
| 3.5 基于行为位置个体差异性的特征迁移学习方法 | 第41-50页 |
| 3.5.1 基于特征的迁移学习方法 | 第43-45页 |
| 3.5.2 基于特征的迁移学习方法中的域适配问题 | 第45-46页 |
| 3.5.3 基于行为位置差异性的特征迁移学习方法 | 第46-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第4章 多元数据融合的非干扰步态身份识别方法 | 第51-62页 |
| 4.1 基于超限学习机的步态身份识别方法 | 第51-56页 |
| 4.1.1 步态特征特征提取 | 第51-52页 |
| 4.1.2 步态身份识别模型 | 第52-53页 |
| 4.1.3 实验结果与分析 | 第53-56页 |
| 4.2 融合用户行为与智能设备位置信息的步态身份识别方法 | 第56-59页 |
| 4.2.1 融合用户行为信息的步态身份识别方法 | 第56页 |
| 4.2.2 融合传感器位置信息的步态身份识别方法 | 第56-57页 |
| 4.2.3 实验结果与分析 | 第57-59页 |
| 4.3 多元数据融合的的步态身份识别方法 | 第59-61页 |
| 4.3.1 多元数据融合的步态身份识别方法(MD-UIMM) | 第59-60页 |
| 4.3.2 实验结果与分析 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第5章 多元数据融合的非干扰身份识别原型系统 | 第62-70页 |
| 5.1 研究背景 | 第62页 |
| 5.2 系统架构 | 第62-64页 |
| 5.3 硬件设置与环境 | 第64页 |
| 5.4 数据库设计 | 第64-66页 |
| 5.5 系统评估与分析 | 第66-69页 |
| 5.5.1 实验设计 | 第66-67页 |
| 5.5.2 评估结果与分析 | 第67页 |
| 5.5.3 客观性评估 | 第67-68页 |
| 5.5.4 主观性评估 | 第68-69页 |
| 5.6 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-71页 |
| 6.1 论文工作总结 | 第70-71页 |
| 6.2 下一步研究工作 | 第71页 |
| 附录一 表目录 | 第71-72页 |
| 附录二 图目录 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-81页 |
| 作者简介 | 第81-82页 |
| 学位论文评阅及答辩情况表 | 第82页 |
