【摘要】：普適計算是“以人為中心的”計算模式,普適計算的愿景是使用戶能夠隨時隨地、透明地獲取服務(wù),情景感知是實現(xiàn)這一愿景的關(guān)鍵所在,也是普適計算的核心特征之一。在具體的普適計算環(huán)境下,存在著多種不同的情景,人的行為活動是研究者需要重點關(guān)注的情景,情景感知系統(tǒng)只有準(zhǔn)確地感知和識別用戶的行為活動,才能理解用戶的意圖,進而提供個性化服務(wù),用戶的行為活動,往往作為觸發(fā)情景感知服務(wù)的觸發(fā)情景。因此,人體行為識別是實現(xiàn)情景感知服務(wù)的關(guān)鍵環(huán)節(jié)。可穿戴傳感器因攜帶方便,并具有高性能、低功耗等優(yōu)點,被廣泛應(yīng)用于人體行為識別中,一個行為識別模型的跨用戶行為識別能力,是該模型泛化性能好壞的重要體現(xiàn)。由于物聯(lián)網(wǎng)及傳感器技術(shù)的飛速發(fā)展,將會出現(xiàn)各式各樣的傳感器,使得情景的獲取變得十分方便,但由于傳感器的種類、精度各不相同,所產(chǎn)生的情景信息將具有異構(gòu)性和不確定性,而情景本身又具有動態(tài)性。因此,需要對這些大量異構(gòu)并且動態(tài)的情景建立一個有效的模型,一個設(shè)計良好的情景模型能夠有效地屏蔽情景之間的異構(gòu)性,清楚地表達情景之間的動態(tài)關(guān)系以及請感知服務(wù)流程,并能有效降低情景感知系統(tǒng)的復(fù)雜性。本文圍繞人體行為識別和情景模型展開研究。在人體行為識別的研究中,主要研究了深度學(xué)習(xí)算法在基于可穿戴傳感器的人體行為識別中的應(yīng)用,以及提高模型跨用戶行為識別性能的個性化方法。在情景模型的研究中,主要研究了用戶的日常行為所觸發(fā)的情景感知模型。本文的主要研究內(nèi)容與創(chuàng)新點如下:(1)在CAE-ELM算法模型的基礎(chǔ)上,提出了一種改進的混合深度學(xué)習(xí)算法模型 DC-KELM(Deep Convolutional Kernel Extreme Learning Machine),DC-KELM算法模型通過卷積神經(jīng)網(wǎng)絡(luò)提取數(shù)據(jù)的局部特征,然后再通過多層超限學(xué)習(xí)機算法進行進一步的特征提取,提取出更深層次的特征,提取到的最終特征通過基于核的超限學(xué)習(xí)機進行訓(xùn)練和分類。DC-KELM融合了卷積神經(jīng)網(wǎng)絡(luò)、多層超限學(xué)習(xí)機算法的優(yōu)點,能自動地從原始數(shù)據(jù)中提取更具判別能力的特征,并且采用泛化性能好的核超限學(xué)習(xí)機作為分類器。通過在基于可穿戴傳感器的人體行為識別數(shù)據(jù)集上,DC-K ELM算法與混合深度學(xué)習(xí)算法CAE-ELM、DELM和ML-KELM的對比實驗可知,DC-KELM算法的識別準(zhǔn)確率以及其它性能要優(yōu)于CAE-ELM和DELM。在模型的跨用戶行為識別方面,與CAE-ELM算法和ML-KELM算法對比,實驗結(jié)果表明DC-KELM算法的跨用戶行為識別性能要優(yōu)于CAE-ELM和ML-KELM算法,實驗結(jié)果驗證了 DC-KELM算法模型的有效性。(2)在TransRKELM模型的基礎(chǔ)上,結(jié)合貝葉斯后驗概率、不確定抽樣策略以及平均余弦相似度的方法,提出了一種樣本置信度選擇策略,形成了基于 US-RKELM(Uncertainty Sampling based Reduced Kernel Extreme Learn in g M a c h i ne)的跨用戶行為識別方法。US-RK E LM方法首先通過已知用戶的樣本集訓(xùn)練出一個初始模型,然后通過初始模型對新用戶的數(shù)據(jù)進行測試,并把測試樣本經(jīng)過初始模型的輸出值轉(zhuǎn)化為與之相對應(yīng)的后驗概率形式,利用測試樣本的后驗概率值,結(jié)合不確定抽樣策略,篩選出測試樣本集中置信度高的樣本進行在線更新初始模型。TransRK ELM模型相比,US-RKELM方法在測試樣本的置信度選擇上,引入了樣本的后驗概率信息以及不確定抽樣策略對測試樣本進行篩選,為減少測試樣本中的離群點帶來的誤差,還引入了平均余弦相似度的度量方法,計算測試樣本集中樣本的平均余弦相似度。實驗結(jié)果表明,模型利用篩選的樣本集進行更新后,跨用戶行為識別性能優(yōu)于初始模型以及TransRKELM模型。(3)提出了一種基于UML活動圖和著色Petri網(wǎng)(Colored PetriNet,CPN)的情景感知模型,選擇用戶“離家”這一日常行為作為觸發(fā)情景感知服務(wù)的觸發(fā)情景,利用UML活動圖和CPN對用戶離家場景下的情景感知服務(wù)建模。首先利用UML活動圖對情景感知服務(wù)進行建模,然后通過UML活動圖與CPN之間的轉(zhuǎn)換規(guī)則,把UML活動圖轉(zhuǎn)換成CPN模型,并利用CPN的特性,對情景感知模型進行動態(tài)仿真驗證。UML活動圖能直觀地描述情景感知服務(wù)的控制流程,但不能動態(tài)仿真驗證。Petri網(wǎng)是一種形式化的建模語言,能夠?qū)δＰ瓦M行動態(tài)驗證仿真,CPN是一種高級Petri網(wǎng),能夠描述復(fù)雜的并發(fā)系統(tǒng)。基于UML活動圖和CPN的混合建模方法,能夠很好地分析情景感知系統(tǒng),描述情景之間的動態(tài)關(guān)系以及情景感知服務(wù)的控制流程,支持情景的推理,并能模擬系統(tǒng)的運行,有效地避免了服務(wù)沖突以及不合理的設(shè)計出現(xiàn)。
【學(xué)位授予單位】：北京科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2018
【分類號】：TP212.9;TP18
【圖文】：

圖１－２物聯(lián)網(wǎng)與其它研究領(lǐng)域的融合示意圖逡逑物聯(lián)Ｍ研究項目組在２００９年的報彳Ｓ？《丨ｎｔｅｒｎｅｔ邋ｏｆ邋ｔｉｌｉｎｇｒｏａｄｍａｐ》中以５年為？個時問段．分別列出了從２０（Ｗ年聯(lián)網(wǎng)領(lǐng)域研宄者需要研允的內(nèi)容，其屮，“怙景感知”被列０年，物聯(lián)網(wǎng)研宄者需要研宄的內(nèi)容之丨４丨。在丨丨ｔｈ邋ＩＥＥＥ邋Ｉｎｔｃｅ邋ｏｎ邋Ｕｂｉｑｕｉｔｏｕｓ邋Ｉｎｔｅｌｌｉｇｅｎｃｅ邋ａｎｄ邋Ｃｏｍｐｕｔｉｎｇ邋（ＵＩＣ邋２０１４）大慶教授在報告中指出“在群智感知和人數(shù)據(jù)時代下，數(shù)模態(tài)、不同粒度的形式從各種各樣的數(shù)據(jù)源中獲得，這帶來新的挑戰(zhàn)和機遇”。在２０１４年第十屆和諧人機環(huán)境華大學(xué)徐光yP教授在特邀報告中，引用了邋ＡＡＡＩ－２０１３會情景感知計算技術(shù)將在五年內(nèi)成為主流技術(shù)”。在９７３項基礎(chǔ)研究（２０１０．９－２０１５．９）⑴丨”中，也都把情景感知作一。逡逑網(wǎng)T代是一個萬物相聯(lián)的時代，利用先進的傳感器、智

圖１－３文章組織結(jié)構(gòu)逡逑第－章引言逡逑本章簡要介紹了課題的研究背景、課題來源以及課題研究目的與意義，逡逑并闡述了本文的主要研究內(nèi)容和創(chuàng)新點。邐．？逡逑第二章相關(guān)研宄綜述逡逑本章對普適計算和情景感知進行簡要介紹，對本文中所涉及到的相關(guān)算逡逑法進行概述，并介紹了基于可穿戴傳感器的人體行為識別以及情景模型的國逡逑內(nèi)外研究現(xiàn)狀。逡逑第三章基于ＤＣ－ＫＦＬＭ混合深度算法模型的人體行為識別逡逑本章：七要研究深度學(xué)習(xí)算法在基于可穿戴傳感器的人體行為識別中的應(yīng)逡逑用，在ＣＡＥ－ＥＬＭ模型的基礎(chǔ)上，提出一種改進的混合深度算法模型逡逑ＤＣ－ＫＥＬＭ。通過基于可穿戴傳感器的行為識別數(shù)據(jù)集，分別與ＣＡＥ－ＥＬＭ、逡逑ＤＥＬＭ和ＭＬＫＥＬＭ算法進行實驗對比，實驗結(jié)果驗證了邋ＤＣ－ＫＥＬＭ的有效逡逑性。逡逑

【相似文獻】

相關(guān)期刊論文 前10條

1 孫彬;孔德慧;張雯暉;賈文浩;;基于深度圖像的人體行為識別綜述[J];北京工業(yè)大學(xué)學(xué)報;年期

2 陳煜平;邱衛(wèi)根;基于視覺的人體行為識別算法研究綜述[J];計算機應(yīng)用研究;2019年07期

3 楊晨晨;馬春梅;朱金奇;;基于智能手機跌倒行為識別算法研究[J];計算機工程;年期

4 富倩;;人體行為識別研究[J];信息與電腦(理論版);2017年24期

5 趙雄偉;;人體行為特征融合與行為識別的分析[J];無線互聯(lián)科技;2017年12期

6 雷慶;陳鍛生;李紹滋;;復(fù)雜場景下的人體行為識別研究新進展[J];計算機科學(xué);2014年12期

7 魯統(tǒng)偉;任瑩;;基于光流的人體行為識別[J];電腦知識與技術(shù);2013年07期

8 王新旭;;基于視覺的人體行為識別研究[J];中國新通信;2012年21期

9 劉相濱,向堅持,王勝春;人行為識別與理解研究探討[J];計算機與現(xiàn)代化;2004年12期

10 ;城市形象設(shè)計與建設(shè)(連載)——第十章 城市行為識別[J];經(jīng)濟工作導(dǎo)刊;2000年01期

相關(guān)會議論文 前10條

1 齊娟;陳益強;劉軍發(fā);;基于多模信息感知與融合的行為識別[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

2 連儒東;李佳;;人體行為識別分析技術(shù)在檢察監(jiān)督中的應(yīng)用及構(gòu)建[A];深化依法治國實踐背景下的檢察權(quán)運行——第十四屆國家高級檢察官論壇論文集[C];2018年

3 安國成;羅志強;李洪研;;改進運動歷史圖的異常行為識別算法[A];第八屆中國智能交通年會優(yōu)秀論文集——智能交通與安全[C];2013年

4 何靖蕓;周洪鈞;;示教學(xué)習(xí):一種端到端的機器人行為識別及生成的模仿學(xué)習(xí)方法[A];第36屆中國控制會議論文集（E）[C];2017年

5 王忠民;張新平;梁琛;;基于滑動窗口異常數(shù)據(jù)提取的跌倒行為監(jiān)測方法[A];2016年全國通信軟件學(xué)術(shù)會議程序冊與交流文集[C];2016年

6 劉威;李石堅;潘綱;;uRecorder:基于位置的社會行為自動日志[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

7 數(shù)采創(chuàng)新項目組;;“algMelt聚類融合算法”模型在零售客戶數(shù)采異常行為識別中的探索與應(yīng)用[A];中國煙草學(xué)會2015年度優(yōu)秀論文匯編[C];2015年

8 郝明軒;劉巍;;核安全文化評價與工程實踐[A];中國核學(xué)會核能動力學(xué)會核電質(zhì)量保證專業(yè)委員會第十屆年會暨學(xué)術(shù)報告會論文專集[C];2010年

9 屈立笳;蘇紅;涂剛;;基于安全事件關(guān)聯(lián)分析的反垃圾郵件系統(tǒng)的研究[A];全國網(wǎng)絡(luò)與信息安全技術(shù)研討會’2004論文集[C];2004年

10 方帥;曹洋;王浩;;視頻監(jiān)控中的行為識別[A];2007中國控制與決策學(xué)術(shù)年會論文集[C];2007年

相關(guān)重要報紙文章 前10條

1 甘肅省武威市涼州區(qū)第一幼兒園 劉桂娥;從幼兒行為識別教育誤區(qū)[N];中國教育報;2018年

2 東林;行為識別新技術(shù)讓監(jiān)控沒有“死角”[N];人民公安報;2007年

3 素杰;形象就是影響力[N];中國包裝報;2004年

4 本報記者 馬愛平;動一動就認(rèn)清你？機器說可以[N];科技日報;2017年

5 國家郵政局公眾服務(wù)部;明確經(jīng)營理念 推進形象工程[N];中國郵政報;2002年

6 何正坤;安全文化與企業(yè)CI戰(zhàn)略[N];中華合作時報;2003年

7 國家稅務(wù)總局法規(guī)司 張學(xué)瑞;加強稅收違法行為識別的研究[N];中國稅務(wù)報;2013年

8 符蓉邋通訊員 劉瀟;外經(jīng)貿(mào)職院引入大學(xué)新形象系統(tǒng)工程[N];湖南日報;2007年

9 農(nóng)發(fā)行鹿邑支行黨支部書記 行長 劉永貞;發(fā)行形象與文化落地農(nóng)[N];周口日報;2007年

10 李晨光;導(dǎo)入CIS要注意什么？[N];河北經(jīng)濟日報;2001年

相關(guān)博士學(xué)位論文 前10條

1 牛曉鵬;普適計算環(huán)境下人體行為識別及情景感知研究[D];北京科技大學(xué);2018年

2 齊鏜泉;基于深度學(xué)習(xí)的行為識別與旅游場景分類關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2017年

3 汪亮;基于可穿戴傳感器網(wǎng)絡(luò)的人體行為識別技術(shù)研究[D];南京大學(xué);2014年

4 王江濤;基于視頻的目標(biāo)檢測、跟蹤及其行為識別研究[D];南京理工大學(xué);2008年

5 姜新波;基于三維骨架序列的人體行為識別研究[D];山東大學(xué);2015年

6 仝鈺;基于條件隨機場的智能家居行為識別研究[D];大連海事大學(xué);2015年

7 于成龍;基于視頻的人體行為識別關(guān)鍵技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2014年

8 溫長吉;行為識別中特征提取和描述相關(guān)問題研究[D];吉林大學(xué);2017年

9 吳志澤;基于骨架節(jié)點的人體行為識別研究[D];中國科學(xué)技術(shù)大學(xué);2017年

10 吳秋霞;復(fù)雜場景下的人體行為識別[D];華南理工大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 鐘萍;基于RGBD數(shù)據(jù)的人體行為識別方法的研究[D];湖南大學(xué);2017年

2 鄭君;基于深度學(xué)習(xí)的多人行為識別方法的研究[D];中國石油大學(xué)(華東);2016年

3 常偉;基于時間序列分析的行為識別技術(shù)研究[D];青島科技大學(xué);2017年

4 封杰棠;基于模型融合的人體行為識別方法研究[D];浙江大學(xué);2017年

5 劉璐璐;基于卷積神經(jīng)網(wǎng)絡(luò)的人體行為識別研究[D];中國科學(xué)技術(shù)大學(xué);2017年

6 凌佩佩;基于特權(quán)信息的人類行為識別研究[D];華東師范大學(xué);2017年

7 彭奕飛;公共場合打架和搶劫行為識別技術(shù)研究[D];大連海事大學(xué);2017年

8 武榮凱;一個基于CNN的行為識別系統(tǒng)的設(shè)計與實現(xiàn)[D];內(nèi)蒙古大學(xué);2017年

9 馬楠;基于步態(tài)壓力特征的人體行為識別[D];黑龍江大學(xué);2017年

10 葛瑞;基于時空上下文建模的行為識別研究[D];蘇州大學(xué);2017年

本文編號：2734736