С 17 марта 2020 г. для ресурсов (учебные, научные, материалы конференций, статьи из периодических изданий, авторефераты диссертаций, диссертации) ЭБ СПбПУ, обеспечивающих образовательный процесс, установлен особый режим использования. Обращаем внимание, что ВКР/НД не относятся к этой категории.

Детальная информация

Название: Разработка аналитической модели распознавания поведения пользователя в 3D симуляторе: выпускная квалификационная работа магистра: 27.04.04 - Управление в технических системах ; 27.04.04_07 - Распределённые интеллектуальные системы управления
Авторы: Михеев Дмитрий Владимирович
Научный руководитель: Потехин Вячеслав Витальевич
Другие авторы: Киселева Людмила Анатольевна
Организация: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Выходные сведения: Санкт-Петербург, 2018
Коллекция: Выпускные квалификационные работы; Общая коллекция
Тематика: Компьютерное моделирование; Изображения; Распознавание образов
УДК: 004.932'1
Тип документа: Выпускная квалификационная работа магистра
Тип файла: PDF
Язык: Русский
Код специальности ФГОС: 27.04.04
Группа специальностей ФГОС: 270000 - Управление в технических системах
Ссылки: Отзыв руководителя; Рецензия
DOI: 10.18720/SPBPU/2/v18-939
Права доступа: Свободный доступ из сети Интернет (чтение, печать, копирование)

Разрешенные действия:

Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Группа: Анонимные пользователи

Сеть: Интернет

Аннотация

В данной работе основное внимание было уделено трехмерному эксперименту с сенсорным экраном, предназначенным для изучения данных траекторий движения руки и их последующего воздействия на опыт пользователя при взаимодействии с данным экраном. Основная цель этого тезиса состояла в том, чтобы проанализировать траектории движения руки. Эти данные были собраны при съемке видеороликов с повышенной частотой кадров при взаимодействии испытуемогои компьютера с при помощи трехмерного сенсорного экрана. Траектории руки записывались для каждой экспериментальной сессии в виде последовательностей расположения руки испытуемого. Используя параметры траектории руки, такие как местоположение целевого объекта и его параллакс, текущие параметры оценивали функции, позволяющие классифицировать классы параллакса. Был разработан механизм анализа траекторий движения руки. Траектории руки были отфильтрованы с помощью локально-линейной модели (алгоритм loess). Для достижения цели работы было извлечено 40 свойств траекторий, чтобы предоставить полезную информацию о поведении испытуемого. Модели классификации траекторий руки были реализованы с максимальной точностью 73% для классификации двух классов и 33% для классификации четырех классов. Сделан вывод о том, что траектории являются сложными данными для классификации.

Права на использование объекта хранения

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все Прочитать Печать Загрузить
Интернет Авторизованные пользователи Прочитать Печать Загрузить
-> Интернет Анонимные пользователи

Оглавление

  • РЕФЕРАТ
  • THE ABSTRACT
  • содержание
  • ВВЕДЕНИЕ
  • 1 ОПИСАНИЕ ЭКСПЕРИМЕНТА С 3D СИМУЛЯТОРОМ
    • 1.1 Система измерения траекторий движения руки
    • 1.2 Отслеживание движения руки
  • 2 МЕТОДЫ АНАЛИЗА ТРАЕКТОРИЙ ДВИЖЕНИЯ РУКИ
    • 2.1 Предобработка данных
      • 2.1.1 Фильтрация траекторий
      • 2.1.2 Уменьшение размерности
    • 2.2 Извлечение признаков
      • 2.2.1 Скорость и ускорение
      • 2.2.2 Положение и точность
      • 2.2.3 Характеристики, представляющие интерес для анализа указательных действий
    • 2.3 Кластеризация траекторий
    • 2.4 Классификация траекторий
    • 2.5 Прогнозирование траекторий
  • 3 ОПИСАНИЕ ПРОЦЕССА АНАЛИЗА ТРАЕКТОРИЙ
    • 3.1 Технология пайплайн
    • 3.2 Фильтрация траекторий
    • 3.3 Генерация особенностей траекторий
    • 3.4 Преобразование данных
      • 3.4.1 Уменьшение размерности
      • 3.4.2 Нормализация данных
    • 3.5 Классификация
      • 3.5.1 Метод опорных векторов
      • 3.5.2 Random Forest
      • 3.5.3 Многослойный персептрон
  • 4 ЭКСПЕРИМЕНТЫ
    • 4.1 Входные данные
    • 4.2 Результаты экспериментов
      • 4.2.1 Эксперименты над исходным набором данных
      • 4.2.2 Бинарная классификация
      • 4.2.3 Классификация четырех классов
  • Заключение
  • Список литературы

Статистика использования

stat Количество обращений: 94
За последние 30 дней: 0
Подробная статистика