本文關(guān)鍵詞：基于機(jī)器學(xué)習(xí)算法的摔倒檢測和日常行為識別研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著人口老齡化現(xiàn)象的不斷加劇,同時由于家庭和社會的諸多因素,越來越多的老年人不得不選擇獨(dú)居,社會因此給這類人群下了一個新的定義,稱作“空巢老人”,指的是那些沒有子女照顧、單獨(dú)居住的老年群體�；谝陨锨闆r,日常生活中的摔倒事件逐漸變成威脅老年人生命的重要因素之一。這是老年人必須接受的、不得不面對的事實(shí),更是整個社會需要警醒的、急需幫助老年人解決的問題。使用傳感器似乎可以幫助老人檢測到這類問題,但“摔倒”是一剎那的動作,非加速度傳感器幾乎捕捉不到;同時,該行為非常容易和其他動作混淆,造成錯判。本文綜合考慮“摔倒”特性和機(jī)器學(xué)習(xí)算法的配合,對摔倒檢測和行為識別同時作了研究,為老人的日常行為做全方位的把控。本文使用三種已有的機(jī)器學(xué)習(xí)算法,針對由可穿戴傳感器采集的用戶日常行為數(shù)據(jù),進(jìn)行試探性的訓(xùn)練和測試。三類機(jī)器學(xué)習(xí)算法分別是支持向量機(jī)、后向傳播神經(jīng)網(wǎng)絡(luò)和隱藏馬爾可夫模型,用戶日常行為數(shù)據(jù)共有11類,包括走路、摔倒、坐下、躺下、坐著、躺著等姿勢。針對三類方法得到的不同分類結(jié)果,從準(zhǔn)確度、運(yùn)行速度、時間復(fù)雜度等角度進(jìn)行精準(zhǔn)分析,并對其低準(zhǔn)確度作了進(jìn)一步研究。通過低準(zhǔn)確度分析,本文提出了一種新的學(xué)習(xí)方法,可以對連續(xù)的數(shù)據(jù)集進(jìn)行精準(zhǔn)分類。主要的思想是結(jié)合兩類已有的機(jī)器學(xué)習(xí)算法,通過首輪的訓(xùn)練得到第一批結(jié)果,通過分析結(jié)果判斷輸出狀態(tài)中相互混淆的分類,從而將混淆分類劃到不同組別分別處理,即進(jìn)入第二輪訓(xùn)練。實(shí)驗(yàn)證明,新的學(xué)習(xí)方法,較之已有的三類學(xué)習(xí)算法,能夠極大地提高摔倒檢測和人類日常行為的識別精度,平均識別精度大于90%,比原有的平均結(jié)果提高近40%。同時本文整合以上方法,將其規(guī)整為一套訓(xùn)練和應(yīng)用方法,不僅包括訓(xùn)練數(shù)據(jù)、獲取分類器部分,還包括應(yīng)用分類器的算法應(yīng)用部分(HCA算法),使新方法具有普遍性。
【關(guān)鍵詞】：日常行為 可穿戴傳感器 支持向量機(jī) 神經(jīng)網(wǎng)絡(luò) 隱藏馬爾可夫模型
【學(xué)位授予單位】：東華大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP18
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 符號說明10-11
• 第一章 緒論11-15
• 1.1 研究背景和意義11-12
• 1.2 課題研究現(xiàn)狀12-13
• 1.3 本文主要內(nèi)容13-14
• 1.4 本文組織結(jié)構(gòu)14-15
• 第二章 相關(guān)技術(shù)和方法15-25
• 2.1 機(jī)器學(xué)習(xí)15-16
• 2.1.1 監(jiān)督學(xué)習(xí)15-16
• 2.1.2 無監(jiān)督學(xué)習(xí)16
• 2.2 人工神經(jīng)網(wǎng)絡(luò)16-19
• 2.2.1 BP神經(jīng)網(wǎng)絡(luò)的主要步驟17-19
• 2.3 梯度下降算法19
• 2.4 支持向量機(jī)19-20
• 2.5 隱藏馬爾可夫模型20-21
• 2.6 徑向基函數(shù)21
• 2.7 其他技術(shù)方法21-22
• 2.8 本文方法論22-24
• 2.9 本章小結(jié)24-25
• 第三章 系統(tǒng)設(shè)計與實(shí)現(xiàn)25-37
• 3.1 輸入數(shù)據(jù)描述25-28
• 3.2 屬性加速度的建立28-29
• 3.3 數(shù)據(jù)預(yù)處理29-32
• 3.4 后向傳播神經(jīng)網(wǎng)絡(luò)32-33
• 3.4.1 不同層的數(shù)量32-33
• 3.4.2 激活函數(shù)的選取33
• 3.5 支持向量機(jī)33-34
• 3.5.1 核函數(shù)的選取33
• 3.5.2 LibSVM的實(shí)現(xiàn)33-34
• 3.6 隱藏馬爾可夫模型34-36
• 3.7 本章小結(jié)36-37
• 第四章 訓(xùn)練結(jié)果和方法改進(jìn)37-50
• 4.1 BP神經(jīng)網(wǎng)絡(luò)37-39
• 4.2 支持向量機(jī)39-40
• 4.3 隱藏馬爾可夫模型40
• 4.4 三種方法的比較與分析40-42
• 4.5 新方法的提出42-46
• 4.6 通用性擴(kuò)展46-49
• 4.7 本章小結(jié)49-50
• 第五章 總結(jié)與展望50-52
• 5.1 總結(jié)50-51
• 5.2 倫理思考51
• 5.3 展望51-52
• 參考文獻(xiàn)52-54
• 附錄54-58
• 攻讀碩士學(xué)位期間取得的研究成果58-59
• 致謝59

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 辛憲會;葉秋果;滕惠忠;郭思海;李軍;張靚;韓曉宏;;小樣本機(jī)器學(xué)習(xí)算法的特性分析與應(yīng)用[J];海洋測繪;2007年03期

2 何清;李寧;羅文娟;史忠植;;大數(shù)據(jù)下的機(jī)器學(xué)習(xí)算法綜述[J];模式識別與人工智能;2014年04期

3 王繼成;基于認(rèn)知模擬的自適應(yīng)機(jī)器學(xué)習(xí)算法研究[J];軟件學(xué)報;2001年08期

4 劉永定;陽愛民;周序生;鄒豪杰;;使用機(jī)器學(xué)習(xí)算法分類P2P流量的方法[J];計算機(jī)應(yīng)用研究;2009年09期

5 吳秀清,韓彬斌;基于Bayes算法的Web網(wǎng)頁識別[J];計算機(jī)工程;2000年03期

6 陶卿;姚穗;范勁松;方廷健;;一種新的機(jī)器學(xué)習(xí)算法:Support Vector Machines[J];模式識別與人工智能;2000年03期

7 A N.Meltzoff;P K.Kuhl;J Movellan;T J.Sejnowski;馮銳;繆茜惠;;新學(xué)習(xí)科學(xué)的基礎(chǔ)[J];遠(yuǎn)程教育雜志;2011年01期

8 張宏莉;魯剛;;分類不平衡協(xié)議流的機(jī)器學(xué)習(xí)算法評估與比較[J];軟件學(xué)報;2012年06期

9 張棟;柯長青;余瞰;;機(jī)器學(xué)習(xí)算法在ALOS影像分類中的應(yīng)用研究[J];遙感信息;2010年03期

10 楊樹仁;沈洪遠(yuǎn);;基于相關(guān)向量機(jī)的機(jī)器學(xué)習(xí)算法研究與應(yīng)用[J];計算技術(shù)與自動化;2010年01期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 何晏成;關(guān)毅;岳淑珍;;一個基于免疫機(jī)制的在線機(jī)器學(xué)習(xí)算法[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前6條

1 張春迎;機(jī)器學(xué)習(xí)算法在不同領(lǐng)域數(shù)據(jù)分析中的應(yīng)用[D];天津大學(xué);2014年

2 張澤;機(jī)器學(xué)習(xí)算法及其工程應(yīng)用研究[D];天津大學(xué);2012年

3 班瑞;基于語義Web的機(jī)器學(xué)習(xí)算法研究與應(yīng)用[D];南京理工大學(xué);2006年

4 張予焓;產(chǎn)品評價對象的提取與分析[D];北京郵電大學(xué);2010年

5 劉永定;基于機(jī)器學(xué)習(xí)算法的P2P流量分類研究[D];湖南工業(yè)大學(xué);2009年

6 劉金克;基于機(jī)器學(xué)習(xí)算法的隱喻識別研究[D];南京師范大學(xué);2011年

  本文關(guān)鍵詞：基于機(jī)器學(xué)習(xí)算法的摔倒檢測和日常行為識別研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：468550