| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景与研究意义 | 第11-13页 |
| 1.2 时间序列特征提取方法的研究现状 | 第13-14页 |
| 1.3 本文的研究工作 | 第14-18页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 论文结构 | 第15-18页 |
| 第二章 时间序列特征提取方法研究基础 | 第18-36页 |
| 2.1 时间序列 | 第18-20页 |
| 2.1.1 时间序列的概念 | 第18-19页 |
| 2.1.2 时间序列的分类任务 | 第19-20页 |
| 2.2 特征提取方法 | 第20-31页 |
| 2.2.1 特征提取的概念 | 第20页 |
| 2.2.2 基于深度学习的特征提取概述 | 第20-22页 |
| 2.2.3 前馈神经网络特征提取算法 | 第22-27页 |
| 2.2.4 循环神经网络特征提取算法 | 第27-31页 |
| 2.3 深度学习的优化方式 | 第31-35页 |
| 2.3.1 L2参数正则化 | 第31-32页 |
| 2.3.2 Dropout策略 | 第32-33页 |
| 2.3.3 小批量算法 | 第33-34页 |
| 2.3.4 Adam学习率优化算法 | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 胶囊式LSTM特征提取算法设计 | 第36-54页 |
| 3.1 LSTM网络算法设计 | 第36-41页 |
| 3.1.1 深度学习中的长期依赖问题 | 第36-37页 |
| 3.1.2 LSTM网络概述 | 第37-38页 |
| 3.1.3 LSTM网络框架 | 第38-41页 |
| 3.1.4 LSTM网络提取时间序列特征的局限性 | 第41页 |
| 3.2 胶囊式LSTM网络模型设计 | 第41-53页 |
| 3.2.1 胶囊式神经网络概述 | 第41-42页 |
| 3.2.2 胶囊式LSTM网络框架设计 | 第42-44页 |
| 3.2.3 胶囊式LSTM训练算法设计 | 第44-46页 |
| 3.2.4 胶囊式LSTM代价函数设计 | 第46-47页 |
| 3.2.5 胶囊式LSTM网络模型验证实验 | 第47-53页 |
| 3.3 本章小结 | 第53-54页 |
| 第四章 胶囊式LSTM在人体姿态检测中的应用 | 第54-62页 |
| 4.1 人体姿态检测任务概述 | 第54-56页 |
| 4.2 人体姿态检测验证实验设计 | 第56-61页 |
| 4.2.1 数据集介绍 | 第56-59页 |
| 4.2.2 基于胶囊式LSTM网络的人体姿态检测实验设计 | 第59-60页 |
| 4.2.3 网络训练与参数调整 | 第60-61页 |
| 4.3 本章小结 | 第61-62页 |
| 第五章 人体姿态检测实验结果分析 | 第62-67页 |
| 5.1 人体姿态检测实验验证方式 | 第62-63页 |
| 5.2 人体姿态检测验证实验结果分析 | 第63-66页 |
| 5.3 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 本文工作总结 | 第67-68页 |
| 6.2 未来工作展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 附录 | 第74-75页 |
| 攻读硕士学位期间取得的科研成果 | 第75-76页 |
| 致谢 | 第76页 |