基于多源感知数据的用户交互关系研究
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 研究内容 | 第13-14页 |
| 1.3 论文结构 | 第14-16页 |
| 第二章 相关技术研究 | 第16-24页 |
| 2.1 感知数据的获取 | 第16-17页 |
| 2.2 特征提取 | 第17-18页 |
| 2.3 时间序列相似性计算 | 第18-20页 |
| 2.3.1 动态规整模型(DTW) | 第19页 |
| 2.3.2 编辑距离 | 第19-20页 |
| 2.3.3 最长公共子序列 | 第20页 |
| 2.4 分类算法 | 第20-22页 |
| 2.4.1 支持向量机(SVM) | 第21页 |
| 2.4.2 决策树 | 第21页 |
| 2.4.3 贝叶斯分类器 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第三章 WiFi数据表示与描述模型 | 第24-35页 |
| 3.1 WiFi数据表示与描述模型 | 第24-28页 |
| 3.2 WiFi相似性计算 | 第28-31页 |
| 3.2.1 WiFi模式计算方法 | 第28-30页 |
| 3.2.2 WiFi模式相似度计算方法 | 第30页 |
| 3.2.3 时间向量相似度计算方法 | 第30-31页 |
| 3.3 算法描述 | 第31-33页 |
| 3.3.1 WiFi列表 | 第31-32页 |
| 3.3.2 WiFi模式 | 第32-33页 |
| 3.3.3 时间向量 | 第33页 |
| 3.4 本章小结 | 第33-35页 |
| 第四章 感知数据的特征提取 | 第35-42页 |
| 4.1 手机通讯数据的特征提取 | 第35-37页 |
| 4.1.1 数据分析 | 第35-36页 |
| 4.1.2 选取手机通讯数据特征 | 第36-37页 |
| 4.2 WiFi数据特征提取 | 第37-41页 |
| 4.2.1 志愿者日常行为模式 | 第37-39页 |
| 4.2.2 志愿者日常交互 | 第39-41页 |
| 4.2.3 选取WiFi数据特征 | 第41页 |
| 4.3 本章小结 | 第41-42页 |
| 第五章 基于线性回归的多源感知数据融合 | 第42-50页 |
| 5.1 线性回归模型与机器学习过程 | 第42-44页 |
| 5.1.1 线性回归模型 | 第42-43页 |
| 5.1.2 机器学习过程 | 第43-44页 |
| 5.2 多源感知数据分类模型生成方法 | 第44-49页 |
| 5.2.1 X的生成过程 | 第44-47页 |
| 5.2.2 Y的生成过程 | 第47-48页 |
| 5.2.3 多源感知数据特征融合模型生成过程 | 第48-49页 |
| 5.3 本章小结 | 第49-50页 |
| 第六章 数据集和实验结果 | 第50-60页 |
| 6.1 数据集 | 第50-55页 |
| 6.1.1 感知数据 | 第50-52页 |
| 6.1.2 调查问卷 | 第52-55页 |
| 6.2 评估标准与实验结果 | 第55-58页 |
| 6.2.1 评估标准 | 第55页 |
| 6.2.2 实验结果 | 第55-58页 |
| 6.3 本章小结 | 第58-60页 |
| 第七章 总结与展望 | 第60-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 作者在学期间取得的学术成果 | 第67页 |
