本文關鍵詞：基于層次聚類特征選擇和HF-SVM的活動識別技術　出處：《浙江大學》2017年碩士論文　論文類型：學位論文

  更多相關文章： 用戶活動識別 HF-SVM 層次聚類特征選擇 核函數

【摘要】：基于人體活動的智能計算是人工智能領域的一個重要研究方向,其目的是通過獲取用戶的狀態(tài)和環(huán)境數據信息,為用戶提供智能化應用服務。隨著移動智能設備(如智能可穿戴設備)及其相關傳感器等技術的飛速發(fā)展,基于移動智能設備的活動識別技術成為了研究的熱點。由于移動智能終端在計算能力、存儲空間和能量等硬件資源方面的限制,而傳統(tǒng)機器學習模型需要巨大運算能力,基于移動智能設備的活動識別技術無法廣泛應用。針對以上問題,本文在分析傳統(tǒng)特征選擇和支持向量機的基礎上,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的支持向量機的多類別分類方法。論文的主要算法改進和成果如下:(1)提出了改進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價函數基于互信息和關聯系數。這不能適用于活動識別領域的連續(xù)型數據。本文基于皮爾遜相關系數和共享最近鄰這兩種度量改進了評價函數。使用改進的基于層次聚類的特征選擇算法,完成了特征提取,降低活動識別技術在模型訓練過程中的復雜度。(2)提出了基于硬件友好型核函數的SVM算法。傳統(tǒng)的SVM算法在模型訓練和算法應用中需要大量的指數運算。本文基于高斯核函數和拉普拉斯核函數提出了硬件友好型的核函數,既保持高斯核函數抗噪聲的優(yōu)點,也具有較小的計算代價。(3)提出了基于組合分類器的活動識別技術�；顒幼R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,將每個分類器的輸出結果作用于Sigmoid函數,然后根據每個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使用Sigmoid函數取最大值時易受到噪聲的干擾而預測出錯,也避免了多個分類器直接投票由于分類器權重相同導致的錯誤。本文從以上三個方面對活動識別技術進行研究,展開的實驗分析顯示文中提出的活動識別技術具有較高準確率,具有一定的實用價值。
[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.

【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

相關期刊論文 前3條

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

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

3 黃亦凡;張冬陽;;論國產智能手機市場現狀及發(fā)展[J];現代商業(yè);2012年06期

相關博士學位論文 前8條

1 孫澤浩;基于手機和可穿戴設備的用戶活動識別問題研究[D];中國科學技術大學;2016年

2 白琳;基于深度學習機制的人與物體交互活動識別技術[D];北京理工大學;2015年

3 姚毓凱;支持向量機關鍵技術及其在人體活動識別中的應用研究[D];蘭州大學;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;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;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;2010年

7 唐發(fā)明;基于統(tǒng)計學習理論的支持向量機算法研究[D];華中科技大學;2005年

8 范昕煒;支持向量機算法的研究及其應用[D];浙江大學;2003年

相關碩士學位論文 前3條

1 陳愷;基于移動智能終端的高速公路異常駕駛行為檢測技術[D];浙江大學;2015年

2 李文洋;基于智能手機傳感器的行為識別算法研究[D];吉林大學;2014年

3 強琦;基于統(tǒng)計學習的多類別分類器研究[D];浙江大學;2006年

，

本文編號：1356184