| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 课题的国内外研究现状 | 第12-16页 |
| 1.2.1 室内定位理论研究现状 | 第12-14页 |
| 1.2.2 室内定位系统研究现状 | 第14-16页 |
| 1.3 本文的主要研究内容 | 第16-18页 |
| 第2章 基于小波包 SVM 理论的动作识别及分类 | 第18-29页 |
| 2.1 动作信号识别算法介绍 | 第18-20页 |
| 2.1.1 运动信号时域特征量 | 第18-20页 |
| 2.1.2 运动信号非平稳特征算法 | 第20页 |
| 2.2 小波包理论介绍 | 第20-24页 |
| 2.2.1 从傅立叶到小波变换 | 第20-21页 |
| 2.2.2 小波变换原理 | 第21-23页 |
| 2.2.3 小波包 | 第23-24页 |
| 2.3 支持向量机介绍 | 第24-27页 |
| 2.3.1 经验风险最小化与结构风险最小化 | 第24-25页 |
| 2.3.2 最优超平面 | 第25-26页 |
| 2.3.3 最优超平面的构造与求解 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 基于室内定位动作信号的识别与分类 | 第29-42页 |
| 3.1 姿态数据采集传感器 | 第29-30页 |
| 3.2 人员步行阶段分析 | 第30-31页 |
| 3.3 不同动作传感器信号反应分析 | 第31-36页 |
| 3.3.1 行走动作信号 | 第32-35页 |
| 3.3.2 行走动作信号分析 | 第35-36页 |
| 3.4 其他动作信号与行走动作信号的对比分析 | 第36-37页 |
| 3.5 基于小波包和 SVM 的动作识别模型 | 第37-41页 |
| 3.5.1 基于小波包的运动特征量提取方法 | 第37-39页 |
| 3.5.2 基于 SVM 的智能动作识别 | 第39-40页 |
| 3.5.3 分类器的参数 | 第40-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 室内定位系统数据采集与人机交互的实现 | 第42-65页 |
| 4.1 系统整体设计 | 第42-43页 |
| 4.2 系统实验装置介绍 | 第43-44页 |
| 4.3 基于 Cortex-M3 内核处理器的数据采集 | 第44-52页 |
| 4.3.1 数据采集模块硬件设计 | 第44-46页 |
| 4.3.2 数据采集模块软件设计 | 第46-49页 |
| 4.3.3 传感器数据的采集方式 | 第49-52页 |
| 4.4 人员动作数据采集上位机显示模块 | 第52-55页 |
| 4.5 人员室内定位监控中心的算法实现 | 第55-64页 |
| 4.5.1 初始化状态 | 第57页 |
| 4.5.2 数据特征提取状态 | 第57-60页 |
| 4.5.3 学习及动作识别状态 | 第60-62页 |
| 4.5.4 定位状态 | 第62-64页 |
| 4.6 本章小结 | 第64-65页 |
| 第5章 人员室内定位系统实例分析 | 第65-71页 |
| 5.1 定位效果分析 | 第65页 |
| 5.2 人员动作特征能量分析 | 第65-68页 |
| 5.3 SVM 分类器结果分析 | 第68-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 附录 | 第79-80页 |
| 作者简介及科研成果 | 第80-81页 |
| 致谢 | 第81页 |