近年來(lái),室內(nèi)定位問(wèn)題已成為國(guó)內(nèi)外相關(guān)領(lǐng)域研究人員越來(lái)越感興趣的研究?jī)?nèi)容,對(duì)定位精度的要求也越來(lái)越高。目前,由于城市中大多數(shù)建筑物都是多層建筑,而先前對(duì)許多室內(nèi)定位的有關(guān)問(wèn)題研究多基于建筑物的單層定位。要實(shí)現(xiàn)多層建筑的室內(nèi)定位,關(guān)鍵是要對(duì)定位問(wèn)題中的樓層變化進(jìn)行檢測(cè)。為了解決這一檢測(cè)問(wèn)題,實(shí)現(xiàn)多層建筑的室內(nèi)定位以及多層建筑物的軌跡融合,可利用基于手機(jī)慣性傳感器數(shù)據(jù)的運(yùn)動(dòng)狀態(tài)識(shí)別來(lái)分類識(shí)別用戶的各種室內(nèi)運(yùn)動(dòng)狀態(tài)進(jìn)而檢測(cè)樓層的變化。因此,如何基于高效的機(jī)器學(xué)習(xí)算法對(duì)室內(nèi)運(yùn)動(dòng)狀態(tài)進(jìn)行識(shí)別,進(jìn)而提高多層室內(nèi)定位精度已成為大家關(guān)注和研究的熱點(diǎn)問(wèn)題。針對(duì)人體運(yùn)動(dòng)狀態(tài)識(shí)別（HAR,Human activity recognition）問(wèn)題,目前國(guó)內(nèi)外主要有兩個(gè)研究方向:基于視覺的運(yùn)動(dòng)狀態(tài)識(shí)別（Vision-based activity recognition）和基于傳感器的運(yùn)動(dòng)狀態(tài)識(shí)別（Sensor-based activity recognition）。與基于視覺的運(yùn)動(dòng)狀態(tài)識(shí)別相比,基于傳感器的運(yùn)動(dòng)狀態(tài)識(shí)別因其基本不依賴外部環(huán)境和較少的涉及隱私問(wèn)題,近年來(lái)獲得了業(yè)界廣泛的關(guān)注,學(xué)界對(duì)此進(jìn)行了大量的研... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1支持向量與間隔若訓(xùn)練樣本集為線性不可分時(shí)，可將樣本從原本的空間映射到一個(gè)更高維的空間，

第2章理論基礎(chǔ)92.2.2多層感知機(jī)多層感知機(jī)（MLP，Multi-Layerperception）也叫人工神經(jīng)網(wǎng)絡(luò)（ANN，Artificialneuralnetwork），它是由三層神經(jīng)元（Neuron）組成：輸入層（Inputlayer），隱藏層（Hiddenlayer）和輸出層（Outputlayer）[43]。隱藏層和輸出層神經(jīng)元都是擁有激活函數(shù)的功能神經(jīng)元。多層感知機(jī)的基本結(jié)構(gòu)如圖2.2所示。從圖2.2中可以看到，多層感知機(jī)每一層神經(jīng)元之間是全連接的，即上一層的每個(gè)神經(jīng)元都與下一層的所有神經(jīng)元連接。圖2.2多層感知機(jī)基本結(jié)構(gòu)如果輸入層為n維向量，則輸入為n個(gè)神經(jīng)元，這些神經(jīng)元通過(guò)帶有權(quán)重的連接向隱藏層進(jìn)行傳遞，隱藏層接收到輸入層的輸入后與閾值相比較，通過(guò)激活函數(shù)（Activationfunction）后產(chǎn)生隱藏層神經(jīng)元的輸出，作為輸出層的輸入，然后經(jīng)歷相同的過(guò)程后得到輸出層的輸出。激活函數(shù)的作用是為了增加神經(jīng)網(wǎng)絡(luò)模型的非線性，常見的激活函數(shù)類型有sigmod函數(shù)、tanh函數(shù)、relu函數(shù)等[44]。考慮到各個(gè)激活函數(shù)的計(jì)算代價(jià)，在本文中，我們使用relu函數(shù)，其表達(dá)式為f(x)max(0,x)(2.5)在圖2.2中，隱藏層第h個(gè)神經(jīng)元的輸入為1dhihiivx(2.6)輸出層第j個(gè)神經(jīng)元的輸入為1qjhjhhwb(2.7)

第2章理論基礎(chǔ)11樣本來(lái)表示。不同于其它算法的是它沒有訓(xùn)練過(guò)程，所以KNN也稱為懶惰學(xué)習(xí)。當(dāng)有新的樣本實(shí)例時(shí)，直接在當(dāng)前的訓(xùn)練數(shù)據(jù)集中找k個(gè)與其最近的樣本點(diǎn)，把這個(gè)新的實(shí)例分配給這k個(gè)樣本點(diǎn)中大部分樣本點(diǎn)所屬的類別。在類的標(biāo)定邊界比較整齊的情況下應(yīng)用KNN分類的準(zhǔn)確率很高。KNN算法需要人為設(shè)置k的取值，即需要找多個(gè)最近的實(shí)例。k值不同，分類的結(jié)果也可能不同。圖2.3是利用KNN算法的分類示意圖。如圖所示，訓(xùn)練數(shù)據(jù)集分為3類，k5，當(dāng)出現(xiàn)一個(gè)新的測(cè)試樣本（圖中灰色圓點(diǎn)）時(shí)，找到距該測(cè)試樣本最近的5個(gè)訓(xùn)練樣本點(diǎn)，通過(guò)投票法確定該樣本的類別，為第1類。KNN的基本流程為[45]：（1）計(jì)算測(cè)試數(shù)據(jù)與各訓(xùn)練數(shù)據(jù)之間的距離。常見的距離度量方法有歐幾里得距離、余弦值、相關(guān)度和曼哈頓距離等；（2）按照距離的遞增關(guān)系進(jìn)行排序；（3）選取距離最小的k個(gè)樣本點(diǎn)；（4）確定k個(gè)樣本點(diǎn)的所屬類別的出現(xiàn)頻率；（5）返回k個(gè)樣本點(diǎn)中出現(xiàn)頻率最高的類別作為測(cè)試數(shù)據(jù)的預(yù)測(cè)分類。圖2.3KNN算法分類示意圖（k5）KNN作為最簡(jiǎn)單的分類算法思路簡(jiǎn)單且容易實(shí)現(xiàn)。但是存在一些不足：一是當(dāng)訓(xùn)練數(shù)據(jù)集容量很大時(shí)，它需要大量的存儲(chǔ)空間來(lái)存儲(chǔ)測(cè)試數(shù)據(jù)與所有訓(xùn)練數(shù)據(jù)樣本的距離，同時(shí)也很耗時(shí)，計(jì)算成本很大；二是KNN對(duì)于隨機(jī)分布的數(shù)據(jù)集分類效果較差；三是對(duì)于樣本不均衡的數(shù)據(jù)也不能達(dá)到滿意的分類效果，需要進(jìn)行改進(jìn)。此時(shí)可以對(duì)k個(gè)樣本點(diǎn)賦予權(quán)重，通過(guò)權(quán)重大小進(jìn)行測(cè)試數(shù)據(jù)的分類。

【參考文獻(xiàn)】：
碩士論文
[1]機(jī)器學(xué)習(xí)在心電數(shù)據(jù)分析中的研究和應(yīng)用[D]. 張凱.北方工業(yè)大學(xué) 2019



本文編號(hào)：2920041