在智能家居環(huán)境下,通過部署的傳感器來獲取環(huán)境數(shù)據(jù),利用行為識別知識處理這些數(shù)據(jù),來感知居民需求,為居民生活提供幫助。雖然行為識別技術經(jīng)過長期的發(fā)展已經(jīng)有了很大的進步,但是在很多方面仍然具有不少挑戰(zhàn)。例如在動態(tài)傳感器數(shù)據(jù)流分割方面,現(xiàn)有的技術有時會把同一個活動劃分為多個傳感器片段,或者把多個活動合并為一個活動。其次,在數(shù)據(jù)標記方面采用人工標記不僅耗時費力,而且容易出錯。在特征提取方面只采用預定義特征或者離散特征沒有關注傳感器的時間序列屬性等問題。針對上述問題,本論文進行以下三個方面的研究:(1)針對動態(tài)傳感器數(shù)據(jù)流分割邊界難以確定等問題,本文提出一種基于邊界傳感器互信息的時間加權分割算法。首先統(tǒng)計訓練集中作為邊界的傳感器組,然后統(tǒng)計每個邊界傳感器組在整個訓練集中出現(xiàn)的個數(shù)以及作為邊界的個數(shù),用來計算每個傳感器組的邊界占比,最后統(tǒng)計每個邊界傳感器組的時間跨度。接下來進行分割得到分割后的傳感器片段,然后利用分割后的片段進行活動識別。通過與現(xiàn)有方法進行對比,表明本文的方法具有更高的實用性。(2)針對數(shù)據(jù)標記工作費時費力并且容易出錯等問題,本文提出一種基于半監(jiān)督的數(shù)據(jù)標記改進算法。首先利用相似度比...

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

大連海事大學專業(yè)學位碩士學位論文??２日常行為識別的研究基礎??２．１日常行為識別過程??居民日常行為識別通�？煞譃樗膫�階段，如圖２．１所示。第一階段是采集由居??民日常行為所觸發(fā)的傳感器事件序列數(shù)據(jù)。第二階段是分割和預處理采集到的傳??感器數(shù)據(jù)。傳感器序列預處理主要是清除原始數(shù)....

大連海事大學專業(yè)學位碩士學位論文??成一組時間間隔相等的滑動窗口，例如每隔６０秒，如圖２．２中的（Ｂ）所示。另一??種類似的方法是將整個序列劃分為一組滑動窗口，滑動窗口的傳感器事件數(shù)量相??等，例如每２０個傳感器分割一次，如圖２．２中的（Ｃ）所示。雖然這樣的方法更容??易實現(xiàn)，但....

結果都是Ｅａｔ或者是Ｓｌｅｅｐ那么??就將Ｗａｔｃｈ－ＴＶ放回未標記數(shù)據(jù)中。不斷循環(huán)上述過程直到未標記數(shù)據(jù)為空。這種??方法有一個缺點就是：如果用相同的數(shù)據(jù)訓練分類器會導致，分類結果可能過度??擬合導致分類效果不佳。非監(jiān)督方法不需要預定義活動可以直接進行聚類，但是??如果像［７９....

智能彖居中日常行為分割與標記方法研究??３．３．４實驗結果及分析??從圖３．１和３．２可以看出，Ｗ中滑動窗口方法分段錯誤率很低，而本文的方法??在邊界占比大于零時分段錯誤率最高，在邊界占比大于０．５時分段錯誤率最低，但??是也比Ｍ中的滑動窗口方法分段錯誤率高得多，這是因為對于同一....

本文編號：4011490