| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-19页 |
| 1.1 引言 | 第7页 |
| 1.2 人体姿态识别研究现状 | 第7-8页 |
| 1.3 基于加速度传感器的人体姿态识别研究现状 | 第8-10页 |
| 1.4 相关技术理论基础 | 第10-17页 |
| 1.4.1 智能手环传感器技术 | 第10-11页 |
| 1.4.2 加速度传感器类型 | 第11-12页 |
| 1.4.3 基于智能手环传感器技术的发展前景 | 第12-13页 |
| 1.4.4 机器学习技术 | 第13-14页 |
| 1.4.5 深度学习技术 | 第14-17页 |
| 1.5 课题的研究内容及章节安排 | 第17-19页 |
| 第2章 基于加速度传感器的数据采集与预处理系统 | 第19-26页 |
| 2.1 蓝牙无线传输与安卓手机数据处理 | 第19-20页 |
| 2.1.1 蓝牙技术 | 第19页 |
| 2.1.2 安卓系统 | 第19-20页 |
| 2.1.3 移动端数据采集与数据分析 | 第20页 |
| 2.2 数据采集与预处理 | 第20-25页 |
| 2.2.1 数据采集 | 第20-24页 |
| 2.2.2 信号预处理 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 基于支持向量机的人体姿态识别方法 | 第26-37页 |
| 3.1 支持向量机 | 第26-28页 |
| 3.2 特征提取 | 第28-31页 |
| 3.2.1 时域特征 | 第28-29页 |
| 3.2.2 频域特征 | 第29-30页 |
| 3.2.3 特征图 | 第30-31页 |
| 3.3 特征选择 | 第31-34页 |
| 3.4 实验及结果分析 | 第34-36页 |
| 3.4.1 RBF核下的SVM分类测试 | 第34-35页 |
| 3.4.2 线性核下的SVM分类测试 | 第35-36页 |
| 3.4.3 两种SVM分类算法对比 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于卷积神经网络的人体姿态识别方法 | 第37-59页 |
| 4.1 卷积神经网络原理 | 第37-40页 |
| 4.1.1 卷积层 | 第37-39页 |
| 4.1.2 池化层 | 第39页 |
| 4.1.3 全连接层及输出层 | 第39-40页 |
| 4.2 卷积神经网络训练过程 | 第40-43页 |
| 4.2.1 误差反向传播 | 第40-41页 |
| 4.2.2 权值更新 | 第41-43页 |
| 4.3 卷积神经网络在基于加速度传感器的姿态识别方面的优势 | 第43-44页 |
| 4.4 数据信号处理 | 第44-46页 |
| 4.5 实验及结果分析 | 第46-58页 |
| 4.5.1 网络结构对识别效果的影响 | 第46-47页 |
| 4.5.2 学习率对识别效果的影响 | 第47页 |
| 4.5.3 训练次数对识别效果的影响 | 第47-48页 |
| 4.5.4 网络参数设置及性能分析 | 第48-51页 |
| 4.5.5 卷积神经网络过拟合验证 | 第51-52页 |
| 4.5.6 基于安卓系统的人体姿态采集与识别系统 | 第52-56页 |
| 4.5.7 多种人体姿态识别方法对比分析 | 第56-58页 |
| 4.6 本章小节 | 第58-59页 |
| 第5章 总结与展望 | 第59-60页 |
| 5.1 论文主要研究工作总结 | 第59页 |
| 5.2 后续工作及研究展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64-74页 |
| 附录A 支持向量机主要程序代码 | 第64-67页 |
| 附录B 卷积神经网络主要程序代码 | 第67-74页 |
| B.1 python语言下卷积神经网络主要程序代码 | 第67-71页 |
| B.2 安卓端卷积神经网络主要程序代码 | 第71-74页 |
| 在读期间发表的学术论文及研究成果 | 第74-75页 |
| 致谢 | 第75页 |