本文選題：活動識別 + 情境感知　； 參考：《測繪通報》2017年07期

【摘要】：利用智能手機傳感器可感知時間、空間、時空和用戶等多維情境的特征,可識別用戶活動,但原框架模型中僅利用了單一分類器中的樸素貝葉斯算法,存在分類精度效果受限的問題。本文利用集成分類器中的隨機森林算法對原有框架中的單一分類器進行了改進。在獲取的3個數(shù)據(jù)集上的十倍交叉驗證結(jié)果表明,加權(quán)平均F1量測值均有較大提高,表明利用隨機森林算法在分類精度效果上有所提升;但由于集成算法結(jié)構(gòu)相對復(fù)雜,其學(xué)習(xí)效率相對較低。此外,隨機森林算法的分類混淆矩陣表明,導(dǎo)致識別誤差的因素主要為活動的定義與室內(nèi)定位精度。
[Abstract]:The smart phone sensor can sense the characteristics of time, space, time and space and user, and can recognize user activity. However, in the original framework, only the naive Bayes algorithm in a single classifier is used. There is a problem that the accuracy of classification is limited. In this paper, the stochastic forest algorithm in the integrated classifier is used to improve the single classifier in the original framework. The results of ten times cross validation on the three data sets obtained show that the weighted average F1 measurements are greatly improved, which indicates that the classification accuracy of the stochastic forest algorithm is improved, but the structure of the integrated algorithm is relatively complex. Its learning efficiency is relatively low. In addition, the classification confusion matrix of the stochastic forest algorithm shows that the main factors leading to the identification error are the definition of activity and the accuracy of indoor location.
【作者單位】： 中國礦業(yè)大學(xué)環(huán)境與測繪學(xué)院;武漢大學(xué)測繪遙感信息工程國家重點實驗室;德州農(nóng)工大學(xué)科普斯分校地理空間計算實驗室;
【基金】：國家重點研發(fā)計劃(2016YFB0502102) 國家高技術(shù)研究發(fā)展計劃(863計劃)(2013AA12A201) 現(xiàn)代工程測量國家測繪地理信息局重點實驗室經(jīng)費資助(TJES1302) 2014江蘇省普通高校研究生科研創(chuàng)新計劃(KYLX_1394)
【分類號】：TP181

【參考文獻】

相關(guān)期刊論文 前3條

1 郭玉寶;池天河;彭玲;劉吉磊;楊麗娜;;利用隨機森林的高分一號遙感數(shù)據(jù)進行城市用地分類[J];測繪通報;2016年05期

2 周博翔;李平;李蓮;;改進隨機森林及其在人體姿態(tài)識別中的應(yīng)用[J];計算機工程與應(yīng)用;2015年16期

3 Xing Su;Hanghang Tong;Ping Ji;;Activity Recognition with Smartphone Sensors[J];Tsinghua Science and Technology;2014年03期

【共引文獻】

相關(guān)期刊論文 前7條

1 劉克強;汪云甲;陳銳志;褚天行;;基于隨機森林算法的多維情境特征活動識別[J];測繪通報;2017年07期

2 陳元鵬;鄖文聚;周旭;彭軍還;李少帥;周妍;;基于MESMA和RF的山丘區(qū)土地利用信息分類提取[J];農(nóng)業(yè)機械學(xué)報;2017年07期

3 Song Hui;Wang Zhongmin;;Compressed sensing method for human activity recognition using tri-axis accelerometer on mobile phone[J];The Journal of China Universities of Posts and Telecommunications;2017年02期

4 高林;劉英;盛子豪;;隨機森林算法在交通狀態(tài)判別中的應(yīng)用[J];實驗技術(shù)與管理;2017年04期

5 宦若虹;陳月;;一種基于特征增強和決策融合的人體行為識別方法[J];計算機科學(xué);2016年S2期

6 陳嘉峰;劉財興;尹令;曹維;;一種無線姿態(tài)傳感節(jié)點的能耗優(yōu)化研究[J];傳感技術(shù)學(xué)報;2016年10期

7 Yu Wang;Dingbang Xu;Fan Li;;Providing Location-Aware Location Privacy Protection for Mobile Location-Based Services[J];Tsinghua Science and Technology;2016年03期

【二級參考文獻】

相關(guān)期刊論文 前9條

1 劉海娟;張婷;侍昊;徐雁南;吳文龍;余佩玲;;基于RF模型的高分辨率遙感影像分類評價[J];南京林業(yè)大學(xué)學(xué)報(自然科學(xué)版);2015年01期

2 王野;;基于資源三號衛(wèi)星影像的城市綠地信息提取方法探討[J];測繪工程;2014年07期

3 王棟;岳彩榮;田傳召;范懷剛;王躍輝;;基于隨機森林的大姚縣TM遙感影像分類研究[J];林業(yè)調(diào)查規(guī)劃;2014年02期

4 呂京國;;基于神經(jīng)網(wǎng)絡(luò)集成的遙感圖像分類與建模研究[J];測繪通報;2014年03期

5 李欣海;;隨機森林模型在分類與回歸分析中的應(yīng)用[J];應(yīng)用昆蟲學(xué)報;2013年04期

6 馮昕;杜世宏;張方利;王嵩;;基于多尺度融合的高分辨率影像城市用地分類[J];地理與地理信息科學(xué);2013年03期

7 劉毅;杜培軍;鄭輝;夏俊士;柳思聰;;基于隨機森林的國產(chǎn)小衛(wèi)星遙感影像分類研究[J];測繪科學(xué);2012年04期

8 鄭著彬;李俊;任靜麗;;HPF圖像融合技術(shù)在大理市遙感影像中的運用探討[J];云南地理環(huán)境研究;2007年06期

9 張錦水;何春陽;潘耀忠;李京;;基于SVM的多源信息復(fù)合的高空間分辨率遙感數(shù)據(jù)分類研究[J];遙感學(xué)報;2006年01期

【相似文獻】

相關(guān)期刊論文 前10條

1 王象剛;;基于K均值隨機森林快速算法及入侵檢測中的應(yīng)用[J];科技通報;2013年08期

2 張華偉;王明文;甘麗新;;基于隨機森林的文本分類模型研究[J];山東大學(xué)學(xué)報(理學(xué)版);2006年03期

3 邱一卉;林成德;;基于隨機森林方法的異常樣本檢測方法[J];福建工程學(xué)院學(xué)報;2007年04期

4 馬昕;王雪;楊洋;;基于隨機森林算法的大學(xué)生異動情況的預(yù)測[J];江蘇科技大學(xué)學(xué)報(自然科學(xué)版);2012年01期

5 楊帆;林琛;周綺鳳;符長虹;羅林開;;基于隨機森林的潛在k近鄰算法及其在基因表達數(shù)據(jù)分類中的應(yīng)用[J];系統(tǒng)工程理論與實踐;2012年04期

6 聶斌;王卓;杜建強;朱明峰;林劍鳴;艾國平;熊玲珠;;基于粗糙集和隨機森林算法輔助糖尿病并發(fā)癥分類研究[J];江西師范大學(xué)學(xué)報(自然科學(xué)版);2014年03期

7 郭穎婕;劉曉燕;郭茂祖;鄒權(quán);;植物抗性基因識別中的隨機森林分類方法[J];計算機科學(xué)與探索;2012年01期

8 邱一卉;林成德;;基于隨機森林和單類支持向量機的電信行業(yè)客戶流失預(yù)測[J];廈門大學(xué)學(xué)報(自然科學(xué)版);2013年05期

9 于化龍;高尚;趙靖;秦斌;;基于過采樣技術(shù)和隨機森林的不平衡微陣列數(shù)據(jù)分類方法研究[J];計算機科學(xué);2012年05期

10 姚登舉;楊靜;詹曉娟;;基于隨機森林的特征選擇算法[J];吉林大學(xué)學(xué)報(工學(xué)版);2014年01期

相關(guān)博士學(xué)位論文 前2條

1 張乾;基于隨機森林的視覺數(shù)據(jù)分類關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2016年

2 雷震;隨機森林及其在遙感影像處理中應(yīng)用研究[D];上海交通大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 朱琪;基于最大平衡度與最大共識的改進隨機森林算法研究[D];吉林大學(xué);2016年

2 馬驪;隨機森林算法的優(yōu)化改進研究[D];暨南大學(xué);2016年

3 程政;城市道路短時車流量預(yù)測模型研究[D];中國科學(xué)技術(shù)大學(xué);2016年

4 陳實;基于隨機森林的神經(jīng)肽剪切位點預(yù)測方法研究[D];華中科技大學(xué);2015年

5 胡宗杰;基于極值隨機森林的慢性胃炎中醫(yī)問診證候分類研究[D];華東理工大學(xué);2017年

6 康雅文;基于隨機森林的醫(yī)療行業(yè)供應(yīng)商的等級評估模型[D];安徽大學(xué);2017年

7 李貞貴;隨機森林改進的若干研究[D];廈門大學(xué);2013年

8 姚明煌;隨機森林及其在遙感圖像分類中的應(yīng)用[D];華僑大學(xué);2014年

9 肖堅;基于隨機森林的不平衡數(shù)據(jù)分類方法研究[D];哈爾濱工業(yè)大學(xué);2013年

10 雍凱;隨機森林的特征選擇和模型優(yōu)化算法研究[D];哈爾濱工業(yè)大學(xué);2008年

，

本文編號：1812623