| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国外现状 | 第12-13页 |
| 1.2.2 国内现状 | 第13-14页 |
| 1.3 论文的主要内容及章节安排 | 第14-16页 |
| 第2章 基于传感器的步态识别技术 | 第16-24页 |
| 2.1 步态识别分类 | 第16-18页 |
| 2.1.1 基于视频类传感器的步态识别 | 第16-17页 |
| 2.1.2 基于非视频类传感器的步态识别 | 第17-18页 |
| 2.2 步态识别算法 | 第18-21页 |
| 2.2.1 基于支持向量机步态识别算法 | 第18-20页 |
| 2.2.2 隐马尔科夫模型(HMM)步态识别算法 | 第20-21页 |
| 2.3 评价标准 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 基于BP神经网络的异常步态识别算法 | 第24-38页 |
| 3.1 问题描述 | 第24-25页 |
| 3.2 数据预处理 | 第25-29页 |
| 3.2.1 二次特征提取 | 第25-28页 |
| 3.2.2 数据归一化 | 第28-29页 |
| 3.2.3 样本分集 | 第29页 |
| 3.3 基于BP神经网络的异常步态识别分类器 | 第29-36页 |
| 3.3.1 BP神经网络 | 第29-34页 |
| 3.3.2 BP神经网络分类器 | 第34-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第4章 基于特征降维的异常步态识别算法 | 第38-48页 |
| 4.1 引言 | 第38页 |
| 4.2 基于特征降维的异常步态识别方案 | 第38-47页 |
| 4.2.1 主成分分析降维法 | 第38-42页 |
| 4.2.2 基于步态特征和相关矩阵的降维法 | 第42-47页 |
| 4.2.3 异常步态识别算法步骤 | 第47页 |
| 4.3 本章小结 | 第47-48页 |
| 第5章 基于异构传感器网络的异常步态识别系统 | 第48-62页 |
| 5.1 系统结构 | 第48-53页 |
| 5.1.1 三轴加速度传感器MMA7361 | 第49-51页 |
| 5.1.2 压力传感器FSR402 | 第51-53页 |
| 5.2 实验结果与分析 | 第53-61页 |
| 5.2.1 实验条件 | 第53-54页 |
| 5.2.2 步态数据 | 第54-57页 |
| 5.2.3 基于BP神经网络的异常步态识别算法分类结果 | 第57-60页 |
| 5.2.4 基于特征降维的异常步态识别算法分类结果 | 第60-61页 |
| 5.3 本章小结 | 第61-62页 |
| 第6章 结论 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70页 |