本文關(guān)鍵詞：基于層次聚類特征選擇和HF-SVM的活動(dòng)識(shí)別技術(shù)　出處：《浙江大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 用戶活動(dòng)識(shí)別 HF-SVM 層次聚類特征選擇 核函數(shù)

【摘要】：基于人體活動(dòng)的智能計(jì)算是人工智能領(lǐng)域的一個(gè)重要研究方向,其目的是通過獲取用戶的狀態(tài)和環(huán)境數(shù)據(jù)信息,為用戶提供智能化應(yīng)用服務(wù)。隨著移動(dòng)智能設(shè)備(如智能可穿戴設(shè)備)及其相關(guān)傳感器等技術(shù)的飛速發(fā)展,基于移動(dòng)智能設(shè)備的活動(dòng)識(shí)別技術(shù)成為了研究的熱點(diǎn)。由于移動(dòng)智能終端在計(jì)算能力、存儲(chǔ)空間和能量等硬件資源方面的限制,而傳統(tǒng)機(jī)器學(xué)習(xí)模型需要巨大運(yùn)算能力,基于移動(dòng)智能設(shè)備的活動(dòng)識(shí)別技術(shù)無法廣泛應(yīng)用。針對(duì)以上問題,本文在分析傳統(tǒng)特征選擇和支持向量機(jī)的基礎(chǔ)上,提出了一種基于層次聚類的特征選擇和硬件友好型核函數(shù)的支持向量機(jī)的多類別分類方法。論文的主要算法改進(jìn)和成果如下:(1)提出了改進(jìn)的基于層次聚類算法的特征選擇算法。基于層次聚類的特征選擇算法使用的評(píng)價(jià)函數(shù)基于互信息和關(guān)聯(lián)系數(shù)。這不能適用于活動(dòng)識(shí)別領(lǐng)域的連續(xù)型數(shù)據(jù)。本文基于皮爾遜相關(guān)系數(shù)和共享最近鄰這兩種度量改進(jìn)了評(píng)價(jià)函數(shù)。使用改進(jìn)的基于層次聚類的特征選擇算法,完成了特征提取,降低活動(dòng)識(shí)別技術(shù)在模型訓(xùn)練過程中的復(fù)雜度。(2)提出了基于硬件友好型核函數(shù)的SVM算法。傳統(tǒng)的SVM算法在模型訓(xùn)練和算法應(yīng)用中需要大量的指數(shù)運(yùn)算。本文基于高斯核函數(shù)和拉普拉斯核函數(shù)提出了硬件友好型的核函數(shù),既保持高斯核函數(shù)抗噪聲的優(yōu)點(diǎn),也具有較小的計(jì)算代價(jià)。(3)提出了基于組合分類器的活動(dòng)識(shí)別技術(shù)。活動(dòng)識(shí)別是多類別分類問題。傳統(tǒng)的多類別分類算法存在分類誤差大的問題。本文提出了基于OVO策略的SV算法,將每個(gè)分類器的輸出結(jié)果作用于Sigmoid函數(shù),然后根據(jù)每個(gè)二值分類器的投票得到最終輸出。本文提出的方法避免單獨(dú)使用Sigmoid函數(shù)取最大值時(shí)易受到噪聲的干擾而預(yù)測(cè)出錯(cuò),也避免了多個(gè)分類器直接投票由于分類器權(quán)重相同導(dǎo)致的錯(cuò)誤。本文從以上三個(gè)方面對(duì)活動(dòng)識(shí)別技術(shù)進(jìn)行研究,展開的實(shí)驗(yàn)分析顯示文中提出的活動(dòng)識(shí)別技術(shù)具有較高準(zhǔn)確率,具有一定的實(shí)用價(jià)值。
[Abstract]:Based on Computational Intelligence of human activities is an important research direction in the field of artificial intelligence, its purpose is to obtain the user's state and the environment data, provide intelligent services for users. With the application of smart mobile devices (such as smart wearable devices) and rapid development of sensor technology, identification technology of mobile activities intelligent equipment has become a hot research topic. Because based on mobile intelligent terminal in computing power, storage space and power hardware resource constraints, while the traditional machine learning model requires huge computational ability, activity recognition technology of mobile smart devices can not be widely used on. To solve the above problems, based on the analysis and selection of support vector machine the traditional features, proposes a classification based on multi class support vector machine feature selection and hardware friendly kernel hierarchical clustering of the Methods. The main algorithm and results of this paper are as follows: (1) proposed an improved feature selection algorithm based on hierarchical clustering algorithm. Based on the evaluation of feature selection algorithm using hierarchical clustering function based on mutual information and correlation coefficient. Continuous data cannot be applied to this activity recognition field. In this paper, and the two shared nearest neighbor for improving the measurement of the evaluation function based on Pearson correlation coefficient. Using the improved feature selection algorithm based on hierarchical clustering, the feature extraction and recognition technology in model training activities reduce the complexity in the process. (2) proposed the SVM algorithm hardware friendly kernel function. Based on the traditional SVM algorithm needs a large number of index operations in the model training and the application of the algorithm. The Gauss kernel function and Laplasse kernel function is proposed based on kernel function hardware friendly, while maintaining the Gauss kernel function of anti noise The advantages, also has a smaller computational cost. (3) proposed activity recognition technology based on combining classifiers. Activity recognition is a multi class classification problem. Multi class classification algorithms exist for the traditional classification error. This paper proposes a SV algorithm based on OVO strategy, the results of the output of each classifier in Sigmoid then according to the value function, each of the two classifiers vote to obtain the final output. This method uses the Sigmoid function to avoid separate noise susceptible to maximum value and prediction error, but also avoid the multiple classifiers vote because classifier weights of the same mistake. The activity recognition technology research from the above three aspects the experiment shows that, activity recognition technology is proposed in this paper has high accuracy, and has certain practical value.

【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 席恒;任行;翟紹果;;智慧養(yǎng)老:以信息化技術(shù)創(chuàng)新養(yǎng)老服務(wù)[J];老齡科學(xué)研究;2014年07期

2 ;美國高通公司推出下一代高端驍龍移動(dòng)處理器[J];微電腦世界;2013年08期

3 黃亦凡;張冬陽;;論國產(chǎn)智能手機(jī)市場(chǎng)現(xiàn)狀及發(fā)展[J];現(xiàn)代商業(yè);2012年06期

相關(guān)博士學(xué)位論文 前8條

1 孫澤浩;基于手機(jī)和可穿戴設(shè)備的用戶活動(dòng)識(shí)別問題研究[D];中國科學(xué)技術(shù)大學(xué);2016年

2 白琳;基于深度學(xué)習(xí)機(jī)制的人與物體交互活動(dòng)識(shí)別技術(shù)[D];北京理工大學(xué);2015年

3 姚毓凱;支持向量機(jī)關(guān)鍵技術(shù)及其在人體活動(dòng)識(shí)別中的應(yīng)用研究[D];蘭州大學(xué);2015年

4 張文博;多類別智能分類器方法研究[D];西安電子科技大學(xué);2014年

5 楊杰明;文本分類中文本表示模型和特征選擇算法研究[D];吉林大學(xué);2013年

6 劉華文;基于信息熵的特征選擇算法研究[D];吉林大學(xué);2010年

7 唐發(fā)明;基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)算法研究[D];華中科技大學(xué);2005年

8 范昕煒;支持向量機(jī)算法的研究及其應(yīng)用[D];浙江大學(xué);2003年

相關(guān)碩士學(xué)位論文 前3條

1 陳愷;基于移動(dòng)智能終端的高速公路異常駕駛行為檢測(cè)技術(shù)[D];浙江大學(xué);2015年

2 李文洋;基于智能手機(jī)傳感器的行為識(shí)別算法研究[D];吉林大學(xué);2014年

3 強(qiáng)琦;基于統(tǒng)計(jì)學(xué)習(xí)的多類別分類器研究[D];浙江大學(xué);2006年

，

本文編號(hào)：1356184