基于贝叶斯网络人体摔倒预测的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 论文研究的背景和意义 | 第8-13页 |
| 1.1.1 论文研究的背景和意义 | 第8-9页 |
| 1.1.2 常见摔倒检测方法 | 第9-11页 |
| 1.1.3 可穿戴式摔倒检测系统研究现状 | 第11-13页 |
| 1.2 主要研究内容 | 第13页 |
| 1.3 本文研究的主要结构 | 第13-15页 |
| 第2章 基于贝叶斯网络的人体姿态预测 | 第15-28页 |
| 2.1 建立人体动态贝叶斯网络模型 | 第15-17页 |
| 2.1.1 贝叶斯网络 | 第15-16页 |
| 2.1.2 动态贝叶斯网络 | 第16-17页 |
| 2.2 人体动态贝叶斯网络模型 | 第17-21页 |
| 2.2.1 人体动态贝叶斯网络基础模型 | 第17-18页 |
| 2.2.2 条件独立性测试的基本原理 | 第18-20页 |
| 2.2.3 基于条件独立性测试的网络结构学习 | 第20-21页 |
| 2.3 基于卡尔曼滤波对于条件概率分布的估计 | 第21-24页 |
| 2.3.1 卡尔曼滤波原理 | 第21-23页 |
| 2.3.2 卡尔曼滤波用于节点条件概率分布的估计 | 第23-24页 |
| 2.4 置信传播算法预测人体姿态 | 第24-27页 |
| 2.4.1 置信传播算法理论 | 第24-26页 |
| 2.4.2 置信传播预测人体运动轨迹 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于支持向量机的摔倒识别 | 第28-43页 |
| 3.1 支持向量机 | 第28-32页 |
| 3.1.1 最大间隔分类器 | 第28-31页 |
| 3.1.2 广义最大间隔分类器 | 第31-32页 |
| 3.2 核函数的选取 | 第32-37页 |
| 3.3 参数选择 | 第37-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 实验与分析 | 第43-50页 |
| 4.1 实验设计与数据采集 | 第43-46页 |
| 4.2 实验结果与分析 | 第46-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第56-58页 |
| 致谢 | 第58页 |
