基于层次聚类特征选择和HF-SVM的活动识别技术
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 研究现状 | 第14-15页 |
| 1.3 本文的研究内容和创新点 | 第15-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第2章 相关技术综述 | 第19-26页 |
| 2.1 智能手机传感器技术 | 第19页 |
| 2.2 统计学习理论 | 第19-23页 |
| 2.2.1 损失函数和风险函数 | 第19-20页 |
| 2.2.2 训练误差与测试误差 | 第20-21页 |
| 2.2.3 正则化与过拟合 | 第21-22页 |
| 2.2.4 交叉验证与保持方法 | 第22-23页 |
| 2.3 活动识别相关技术 | 第23-25页 |
| 2.3.1 识别过程概述 | 第23-24页 |
| 2.3.2 数据预处理 | 第24-25页 |
| 2.4 本章总结 | 第25-26页 |
| 第3章 基于层次聚类的特征选择算法 | 第26-45页 |
| 3.1 特征选择技术 | 第26-29页 |
| 3.1.1 特征选择过程 | 第26-27页 |
| 3.1.2 特征选择的方法 | 第27-28页 |
| 3.1.3 评价函数 | 第28-29页 |
| 3.2 改进的基于层次聚类的特征选择算法 | 第29-34页 |
| 3.2.1 改进的距离度量 | 第29-31页 |
| 3.2.2 改进的评价函数 | 第31-32页 |
| 3.2.3 搜索策略 | 第32-33页 |
| 3.2.4 特征选择算法流程 | 第33-34页 |
| 3.3 实验结果 | 第34-44页 |
| 3.3.1 对比实验 | 第35-39页 |
| 3.3.2 活动识别数据集 | 第39-40页 |
| 3.3.3 活动识别实验结果 | 第40-44页 |
| 3.4 本章总结 | 第44-45页 |
| 第4章 改进的硬件友好型支持向量机 | 第45-58页 |
| 4.1 SVM技术 | 第45-49页 |
| 4.2 改进的HF-SVM算法 | 第49-53页 |
| 4.2.1 改进的目标函数和决策函数 | 第50-51页 |
| 4.2.2 改进的硬件友好型核函数 | 第51-53页 |
| 4.2.3 求解改进的HF-SVM | 第53页 |
| 4.3 实验结果 | 第53-56页 |
| 4.3.1 对比实验 | 第53-54页 |
| 4.3.2 活动识别实验与分析 | 第54-56页 |
| 4.4 本章总结 | 第56-58页 |
| 第5章 基于组合分类器的活动识别技术 | 第58-65页 |
| 5.1 多类别分类 | 第58-61页 |
| 5.1.1 OVA策略 | 第58-60页 |
| 5.1.2 OVO策略 | 第60-61页 |
| 5.2 SV分类器组合算法 | 第61-62页 |
| 5.3 实验结果 | 第62-64页 |
| 5.4 本章总结 | 第64-65页 |
| 第6章 总结与展望 | 第65-68页 |
| 6.1 本文总结 | 第65-66页 |
| 6.2 展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士学位期间主要的研究成果 | 第71-72页 |
| 致谢 | 第72页 |
