基于惯性传感器的动作识别研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及其意义 | 第9-10页 |
| 1.2 研究现状分析 | 第10-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 本文的结构安排 | 第14-15页 |
| 第二章 理论基础 | 第15-25页 |
| 2.1 识别动作定义 | 第15-16页 |
| 2.2 惯性传感器介绍 | 第16-20页 |
| 2.2.1 加速度传感器原理 | 第16-18页 |
| 2.2.2 陀螺仪原理 | 第18-20页 |
| 2.3 分类算法介绍 | 第20-24页 |
| 2.3.1 朴素贝叶斯 | 第20-21页 |
| 2.3.2 K近邻算法 | 第21-23页 |
| 2.3.3 决策树算法 | 第23页 |
| 2.3.4 支持向量机 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 动作数据处理及特征提取 | 第25-47页 |
| 3.1 系统及惯性传感器 | 第25-27页 |
| 3.1.1 系统总体设计方案 | 第25-26页 |
| 3.1.2 MPU6050惯性传感器 | 第26-27页 |
| 3.2 动作数据预处理 | 第27-32页 |
| 3.2.1 算术平均值滤波 | 第27页 |
| 3.2.2 中值滤波 | 第27-28页 |
| 3.2.3 带通滤波器 | 第28页 |
| 3.2.4 卡尔曼滤波 | 第28-30页 |
| 3.2.5 数据归一化 | 第30-32页 |
| 3.3 动作数据截取 | 第32-38页 |
| 3.3.1 基于差分阈值的数据截取 | 第33-35页 |
| 3.3.2 加窗法动作数据分段处理 | 第35页 |
| 3.3.3 交叉验证法搜索最优窗口 | 第35-38页 |
| 3.4 特征参数提取与处理 | 第38-44页 |
| 3.4.1 时域特征 | 第39-40页 |
| 3.4.2 频域特征 | 第40-41页 |
| 3.4.3 最优特征子集选择 | 第41-44页 |
| 3.5 实验验证 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 基于SVM的动作识别分类算法设计 | 第47-62页 |
| 4.1 核函数原理介绍 | 第47-51页 |
| 4.1.1 线性核函数 | 第49页 |
| 4.1.2 多项式核函数 | 第49-51页 |
| 4.1.3 高斯核函数 | 第51页 |
| 4.1.4 Sigmoid核函数 | 第51页 |
| 4.2 核函数参数寻优及性能对比 | 第51-53页 |
| 4.2.1 网格搜索迭代算法 | 第51-52页 |
| 4.2.2 核函数性能比较 | 第52-53页 |
| 4.3 核函数设计及其性能比较 | 第53-56页 |
| 4.3.1 核函数设计 | 第53-55页 |
| 4.3.2 K型核函数性能分析 | 第55-56页 |
| 4.4 SVM多分类器设计 | 第56-61页 |
| 4.4.1 1 -v-rSVMs | 第56-57页 |
| 4.4.2 1 -v-1SVMs | 第57页 |
| 4.4.3 有向无环图SVMs | 第57-58页 |
| 4.4.4 改进的有向无环图SVMs | 第58-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 全文总结 | 第62-63页 |
| 5.2 工作展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 附录1 程序清单 | 第67-68页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第68-69页 |
| 附录3 攻读硕士学位期间申请的专利 | 第69-70页 |
| 附录4 攻读硕士学位期间参加的科研项目 | 第70-71页 |
| 致谢 | 第71页 |
