【摘要】：人體動(dòng)作識(shí)別技術(shù)現(xiàn)階段已經(jīng)取得了一些成果,例如基于專業(yè)化設(shè)備的人體動(dòng)作識(shí)別、基于雷達(dá)信號(hào)的人體動(dòng)作識(shí)別、基于無(wú)線信號(hào)的人體動(dòng)作識(shí)別。但是隨著各方面技術(shù)日益完善,在目前呈現(xiàn)的狀態(tài)中,還是能夠挖掘出非常多需要鉆研、探索的方向。無(wú)線網(wǎng)絡(luò)的普及使得基于WiFi信號(hào)下的人體動(dòng)作識(shí)別成為了一種可能,而且這個(gè)方向可以大力度的克服當(dāng)前人體動(dòng)作識(shí)別技術(shù)中存在的一些難以被廣泛普及的障礙,本文主要是針對(duì)如何利用在WiFi信號(hào)下,使用普通設(shè)備可以采集得到的RSS信號(hào),來(lái)進(jìn)行更準(zhǔn)確的人體動(dòng)作識(shí)別。針對(duì)這個(gè)愿景,提出了F-GRT(Fine-Grained Gesture Recognition Toolkit,細(xì)粒度化人體動(dòng)作識(shí)別)模型:把粗粒度RF特征轉(zhuǎn)化成細(xì)粒度特征的人體動(dòng)作識(shí)別,使用機(jī)器學(xué)習(xí)相關(guān)算法進(jìn)行人體動(dòng)作識(shí)別的訓(xùn)練和學(xué)習(xí),本文的主要工作包含以下三個(gè):(1)關(guān)于F-GRT模型,首先F-GRT模型包含人體動(dòng)作識(shí)別的一整套流程,分別是預(yù)處理、特征提取、分類參數(shù)訓(xùn)練、分類和訓(xùn)練這五個(gè)部分,預(yù)處理過(guò)程中,把采集得到的RSS信號(hào)進(jìn)行格式轉(zhuǎn)換,對(duì)數(shù)據(jù)實(shí)現(xiàn)不同的重新采樣處理,通過(guò)3種處理方式,實(shí)現(xiàn)數(shù)據(jù)的預(yù)處理操作,分類參數(shù)訓(xùn)練過(guò)程是為了防止參數(shù)陷入局部最優(yōu),當(dāng)參數(shù)訓(xùn)練好之后,把數(shù)據(jù)按照一定的比例拆分為訓(xùn)練集和測(cè)試集,訓(xùn)練集數(shù)據(jù)訓(xùn)練模型,當(dāng)模型訓(xùn)練好之后,使用測(cè)試集數(shù)據(jù)進(jìn)行模型測(cè)試。(2)關(guān)于采樣率低,RSS(Received Signal Strength,接收信號(hào)強(qiáng)度)信號(hào)易于采集的特征使得該技術(shù)在成熟之后是可以廣泛普及的,但是自身存在的采樣率低是一個(gè)急需攻克的難點(diǎn),采樣率低意味著信息采集的不全面,如何合理的增加數(shù)據(jù)的采樣點(diǎn),并且不影響原始數(shù)據(jù)的波形特征,這就是本文第三章樣本重新采樣設(shè)計(jì)章節(jié)闡述的重點(diǎn)。(3)關(guān)于HMM-ACO,首先把采集得到的信息進(jìn)行預(yù)處理,得到表征多組動(dòng)作數(shù)據(jù)信息的矩陣,接下來(lái)進(jìn)行特征聚類,模型訓(xùn)練和模型分類,但是在用(Hidden Markov Model,HMM)隱馬爾可夫模型進(jìn)行模型訓(xùn)練的過(guò)程中,發(fā)現(xiàn)初始參數(shù)的設(shè)置對(duì)實(shí)驗(yàn)結(jié)果有著密切的影響,為了防止初始參數(shù)陷入局部最優(yōu)的情況發(fā)生,本文使用蟻群算法(Ant Colony Optimization,ACO)對(duì)HMM的初始參數(shù)進(jìn)行了優(yōu)化處理,這樣操作之后,使得實(shí)驗(yàn)結(jié)果在多次重復(fù)之后保持在一個(gè)穩(wěn)定的狀態(tài)內(nèi)。通過(guò)解決上述模型中存在的問(wèn)題,目前F-GRT模型的訓(xùn)練結(jié)果良好,并且持續(xù)保持穩(wěn)定狀態(tài)。
【圖文】：

圖 蟻群算法流程圖夫簡(jiǎn)介( ￠ | ￡a ￡ )是動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域。在馬爾可夫模型中一組是狀態(tài)變量 ,其中 表示第是隱藏的、不可被觀測(cè)的 ，因此狀態(tài)變量二組是觀測(cè)變量( ) ，其中 表型中，系統(tǒng)通常是在多個(gè)狀態(tài)( )之間轉(zhuǎn)有 個(gè)可能取值的離散空間，，觀測(cè)變量可以是離測(cè)變量是離散的,假設(shè)觀測(cè)變量有 個(gè)可能取值為 。如圖 表示隱馬爾可夫模型的
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TN92

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 汪慶淼;鞠時(shí)光;秦劍鋒;;基于改進(jìn)蟻群算法的HMM參數(shù)估計(jì)[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年06期

2 崔利;王高平;;基于TSP的蟻群算法及其在路由中的應(yīng)用[J];中國(guó)西部科技;2008年21期

相關(guān)碩士學(xué)位論文 前1條

1 王根平;基于小波變換的信號(hào)分析及處理[D];西安電子科技大學(xué);2013年

本文編號(hào)：2674159