隨著社會的發(fā)展,智能可穿戴設(shè)備的使用率在逐年提高。穿戴網(wǎng)中各式各樣的穿戴設(shè)備會產(chǎn)生種類繁多的數(shù)據(jù),這些數(shù)據(jù)是大量的、多樣性的、且富有價值的。使用數(shù)據(jù)挖掘相關(guān)技術(shù)對穿戴網(wǎng)中相關(guān)數(shù)據(jù)進(jìn)行分析,并從這些數(shù)據(jù)中提取出有價值的信息,就可以為穿戴網(wǎng)的發(fā)展注入新的活力,更好為用戶提供服務(wù)�；诖�,本文使用數(shù)據(jù)挖掘相關(guān)技術(shù)對穿戴網(wǎng)中的用戶步態(tài)數(shù)據(jù)與運(yùn)動時的生理指標(biāo)數(shù)據(jù)這兩類典型的數(shù)據(jù)進(jìn)行研究分析,從而對穿戴網(wǎng)的相關(guān)功能進(jìn)行進(jìn)一步的擴(kuò)展與延伸。針對穿戴網(wǎng)中用戶的步態(tài)數(shù)據(jù),本文首先使用數(shù)據(jù)挖掘相關(guān)技術(shù)提出了一套完善的用戶特征提取方案,并形成一個合法用戶身份比對庫。在合法用戶身份比對庫建立的基礎(chǔ)上使用數(shù)據(jù)挖掘技術(shù)中相關(guān)異常檢測模型實(shí)現(xiàn)了對非法用戶的檢測,并基于傳統(tǒng)的分類算法設(shè)計了一套聯(lián)合投票分類模型實(shí)現(xiàn)了對合法用戶身份標(biāo)簽的精確識別。最終本文基于用戶步態(tài)數(shù)據(jù)建立了一套新型的用戶身份認(rèn)證機(jī)制。為了對本文提出的新型用戶身份認(rèn)證機(jī)制的可靠性進(jìn)行驗證,我們利用智能手機(jī)采集不同人的步態(tài)數(shù)據(jù),從而對相關(guān)模型進(jìn)行對比評估。仿真結(jié)果表明,本文提出的方案不僅可以準(zhǔn)確的檢測出不在身份比對庫中的異常用戶,而且可以對合法用戶的身份... 

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文研究內(nèi)容
    1.4 組織結(jié)構(gòu)
第二章 應(yīng)用場景及相關(guān)模型
    2.1 應(yīng)用場景建模
    2.2 用戶身份認(rèn)證相關(guān)模型
        2.2.1 特征提取相關(guān)模型
        2.2.2 異常檢測相關(guān)模型
        2.2.3 數(shù)據(jù)分類相關(guān)模型
    2.3 生理指標(biāo)預(yù)測相關(guān)模型
        2.3.1 數(shù)據(jù)預(yù)測相關(guān)模型
        2.3.2 累積誤差修正相關(guān)模型
    2.4 本章小結(jié)
第三章 基于步態(tài)數(shù)據(jù)的用戶身份認(rèn)證機(jī)制構(gòu)建
    3.1 用戶特征提取及身份比對庫建立
        3.1.1 原始數(shù)據(jù)的處理
        3.1.2 屬性特征相關(guān)性分析
        3.1.3 數(shù)據(jù)去噪
        3.1.4 數(shù)據(jù)降維
    3.2 異常用戶檢測的實(shí)現(xiàn)
    3.3 合法用戶身份分類的實(shí)現(xiàn)
        3.3.1 基于KNN模型的合法用戶分類
        3.3.2 基于樸素貝葉斯模型的合法用戶分類
        3.3.3 聯(lián)合投票分類模型的構(gòu)建
    3.4 實(shí)驗及結(jié)果分析
        3.4.1 實(shí)驗步驟
        3.4.2 實(shí)驗結(jié)果分析
    3.5 本章小結(jié)
第四章 基于運(yùn)動數(shù)據(jù)的生理指標(biāo)預(yù)測機(jī)制構(gòu)建
    4.1 基于貝葉斯組合模型的生理指標(biāo)預(yù)測
        4.1.1 神經(jīng)網(wǎng)絡(luò)預(yù)測器的參數(shù)學(xué)習(xí)
        4.1.2 線性回歸預(yù)測器的參數(shù)學(xué)習(xí)
        4.1.3 貝葉斯組合模型的構(gòu)造及應(yīng)用
    4.2 基于樸素貝葉斯模型的累積誤差修正
        4.2.1 樸素貝葉斯模型的參數(shù)學(xué)習(xí)
        4.2.2 累積誤差修正的實(shí)現(xiàn)
    4.3 實(shí)驗及結(jié)果分析
        4.3.1 實(shí)驗步驟
        4.3.2 模型預(yù)測結(jié)果對比
        4.3.3 模型預(yù)測誤差率對比
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
作者簡介



本文編號：3720810