Détection de l’activité humaine en utilisant les données inertielles de téléphone mobile
Des informations générales:
Le niveau |
Master |
Titre |
Détection de l’activité humaine en utilisant les données inertielles de téléphone mobile |
SPECIALITE |
Automatique et informatique industrielle |
Page de garde:
Sommaire:
Remerciement
1 Généralités sur les méthodes la classification automatique
1.1 Méthodes classiques de l’apprentissage automatique
1.1.1 Méthode KNN (k plus proches voisins)
1.1.1.1 Introduction
1.1.1.2 Principes de fonctionnement
1.1.1.3 Les variantes
1.1.2 Méthode SVM (séparateurs à vaste marge)
1.1.2.1 Introduction
1.1.2.2 Principe de fonctionnement
1.1.2.3 Les variantes des SVM
1.1.3 Méthode decision tree learning (Arbre de décision)
1.1.3.1 Introduction
1.1.3.2 Principes de fonctionnement
1.1.3.3 Les variantes des arbres de décision
1.2 Méthodes utilisées dans l’apprentissage profond
1.2.1 Introduction à LSTM
1.2.2 Généralités sur la méthode de LSTM
1.2.2.1 Le développement de nouvelles fonctions d’activa- tion dans les réseaux de neurones à apprentissage profond
1.3 Discussion des différents algorithmes
2 Aperçu sur la technique de détection de mouvement par smart-
phone
2.1 Les avantages par rapport aux réseaux de capteurs sans fil
2.2 Calcul de la Moyenne et de la Variance
2.3 La décomposition en composante principale
2.4 Signaux et filtrage
2.5 Application de la détection de mouvement
3 Méthodologie
3.1 Étude des données pour les différentes activités
3.1.1 Chargement et Concaténation des données Pré-traitement des données
3.1.2.1 Diviser les données en données d’entrainement et de validation
3.1.2.2 Convertir un ensemble de données en une séquence de séries temporelles
3.2 Modèle LSTM et compilation
3.3 Entrainement
3.4 Exportation et déploiement
3.5 Base de données utilisées
3.5.1 Protocole d’enregistrement de la base de données :
3.5.2 Base de données utilisées sous MATLAB Classification Learner
3.5.3 Base de données utilisées sous Google Colab et TensorFlow
3.6 Tensorflow
3.6.1 Tensorflow lite
3.6.1.1 Comment fonctionne Tensorflow Lite (TF Lite)?
3.7 Matlab Classification Learner
3.8 Google Colab
3.9 Android Studio
4 Résultats de l’application
4.1 KNN
Résultats de la classification sous MATLAB Classfication Learner 4.1.1
4.1.2 Arbre de décision
4.1.3 SVM
4.2 Résultats LSTM sous (TensorFlow/Google Colab)
4.3 Discussion des résultats
1 Généralités sur les méthodes la classification automatique
1.1 Méthodes classiques de l’apprentissage automatique
1.1.1 Méthode KNN (k plus proches voisins)
1.1.1.1 Introduction
1.1.1.2 Principes de fonctionnement
1.1.1.3 Les variantes
1.1.2 Méthode SVM (séparateurs à vaste marge)
1.1.2.1 Introduction
1.1.2.2 Principe de fonctionnement
1.1.2.3 Les variantes des SVM
1.1.3 Méthode decision tree learning (Arbre de décision)
1.1.3.1 Introduction
1.1.3.2 Principes de fonctionnement
1.1.3.3 Les variantes des arbres de décision
1.2 Méthodes utilisées dans l’apprentissage profond
1.2.1 Introduction à LSTM
1.2.2 Généralités sur la méthode de LSTM
1.2.2.1 Le développement de nouvelles fonctions d’activa- tion dans les réseaux de neurones à apprentissage profond
1.3 Discussion des différents algorithmes
2 Aperçu sur la technique de détection de mouvement par smart-
phone
2.1 Les avantages par rapport aux réseaux de capteurs sans fil
2.2 Calcul de la Moyenne et de la Variance
2.3 La décomposition en composante principale
2.4 Signaux et filtrage
2.5 Application de la détection de mouvement
3 Méthodologie
3.1 Étude des données pour les différentes activités
3.1.1 Chargement et Concaténation des données Pré-traitement des données
3.1.2.1 Diviser les données en données d’entrainement et de validation
3.1.2.2 Convertir un ensemble de données en une séquence de séries temporelles
3.2 Modèle LSTM et compilation
3.3 Entrainement
3.4 Exportation et déploiement
3.5 Base de données utilisées
3.5.1 Protocole d’enregistrement de la base de données :
3.5.2 Base de données utilisées sous MATLAB Classification Learner
3.5.3 Base de données utilisées sous Google Colab et TensorFlow
3.6 Tensorflow
3.6.1 Tensorflow lite
3.6.1.1 Comment fonctionne Tensorflow Lite (TF Lite)?
3.7 Matlab Classification Learner
3.8 Google Colab
3.9 Android Studio
4 Résultats de l’application
4.1 KNN
Résultats de la classification sous MATLAB Classfication Learner 4.1.1
4.1.2 Arbre de décision
4.1.3 SVM
4.2 Résultats LSTM sous (TensorFlow/Google Colab)
4.3 Discussion des résultats
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.