基于多传感器数据融合的校园暴力检测算法
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.1.1 课题来源 | 第9页 |
| 1.1.2 研究背景和意义 | 第9-10页 |
| 1.2 相关理论的发展现状及分析 | 第10-14页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.2.3 国内外研究现状分析 | 第13-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文结构设置 | 第15-17页 |
| 第2章 多传感器动作识别及融合相关技术 | 第17-32页 |
| 2.1 姿态传感器简介 | 第17-18页 |
| 2.1.1 基本工作原理 | 第17-18页 |
| 2.1.2 传感器位置及数量选择 | 第18页 |
| 2.2 系统模型及数据预处理 | 第18-23页 |
| 2.2.1 多传感器融合识别系统模型 | 第18-20页 |
| 2.2.2 滑动窗数据分割及小波去噪 | 第20-23页 |
| 2.3 RBF神经网络及学习算法 | 第23-27页 |
| 2.3.1 RBF网络结构 | 第23-24页 |
| 2.3.2 RBF网络学习算法 | 第24-27页 |
| 2.4 数据融合算法研究 | 第27-30页 |
| 2.4.1 数据融合定义及分类 | 第27-29页 |
| 2.4.2 多传感器数据融合算法 | 第29-30页 |
| 2.5 系统性能评估方法与指标 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 多传感器融合识别算法 | 第32-47页 |
| 3.1 基于多传感器的动作特征提取 | 第32-34页 |
| 3.1.1 时域特征提取 | 第32-33页 |
| 3.1.2 频域特征提取 | 第33-34页 |
| 3.2 特征选择算法研究 | 第34-39页 |
| 3.2.1 四分位箱图特征筛选 | 第34-37页 |
| 3.2.2 改进的Relief-F特征选择算法 | 第37-39页 |
| 3.3 基于决策树-RBF神经网络多层分类算法 | 第39-44页 |
| 3.3.1 广义RBF神经网络 | 第39-40页 |
| 3.3.2 决策树-RBF多层分类器搭建 | 第40-41页 |
| 3.3.3 单部位传感器识别性能分析 | 第41-44页 |
| 3.4 基于自适应调整的决策层类融合算法 | 第44-46页 |
| 3.4.1 融合算法原理与描述 | 第44-45页 |
| 3.4.2 识别系统性能评估 | 第45-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 降维算法与改进D-S理论 | 第47-60页 |
| 4.1 LDA降维算法 | 第47-52页 |
| 4.1.1 LDA基本理论 | 第47-50页 |
| 4.1.2 LDA降维后性能评估 | 第50-52页 |
| 4.2 改进D-S理论融合算法 | 第52-56页 |
| 4.2.1 D-S理论算法原理 | 第52-53页 |
| 4.2.2 改进D-S理论算法设计 | 第53-56页 |
| 4.3 改进D-S算法仿真与分析 | 第56-59页 |
| 4.3.1 改进D-S融合性能分析-无LDA降维 | 第56-58页 |
| 4.3.2 改进D-S融合性能分析-有LDA降维 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第66-68页 |
| 致谢 | 第68页 |
