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(shí)別知識(shí)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(shí)別技術(shù)經(jīng)過長(zhǎng)期的發(fā)展已經(jīng)有了很大的進(jìn)步,但是在很多方面仍然具有不少挑戰(zhàn)。例如在動(dòng)態(tài)傳感器數(shù)據(jù)流分割方面,現(xiàn)有的技術(shù)有時(shí)會(huì)把同一個(gè)活動(dòng)劃分為多個(gè)傳感器片段,或者把多個(gè)活動(dòng)合并為一個(gè)活動(dòng)。其次,在數(shù)據(jù)標(biāo)記方面采用人工標(biāo)記不僅耗時(shí)費(fèi)力,而且容易出錯(cuò)。在特征提取方面只采用預(yù)定義特征或者離散特征沒有關(guān)注傳感器的時(shí)間序列屬性等問題。針對(duì)上述問題,本論文進(jìn)行以下三個(gè)方面的研究:(1)針對(duì)動(dòng)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(shí)間加權(quán)分割算法。首先統(tǒng)計(jì)訓(xùn)練集中作為邊界的傳感器組,然后統(tǒng)計(jì)每個(gè)邊界傳感器組在整個(gè)訓(xùn)練集中出現(xiàn)的個(gè)數(shù)以及作為邊界的個(gè)數(shù),用來計(jì)算每個(gè)傳感器組的邊界占比,最后統(tǒng)計(jì)每個(gè)邊界傳感器組的時(shí)間跨度。接下來進(jìn)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(jìn)行活動(dòng)識(shí)別。通過與現(xiàn)有方法進(jìn)行對(duì)比,表明本文的方法具有更高的實(shí)用性。(2)針對(duì)數(shù)據(jù)標(biāo)記工作費(fèi)時(shí)費(fèi)力并且容易出錯(cuò)等問題,本文提出一種基于半監(jiān)督的數(shù)據(jù)標(biāo)記改進(jìn)算法。首先利用相似度比...

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

大連海事大學(xué)專業(yè)學(xué)位碩士學(xué)位論文??２日常行為識(shí)別的研究基礎(chǔ)??２．１日常行為識(shí)別過程??居民日常行為識(shí)別通�？煞譃樗膫�(gè)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(yù)處理采集到的傳??感器數(shù)據(jù)。傳感器序列預(yù)處理主要是清除原始數(shù)....

大連海事大學(xué)專業(yè)學(xué)位碩士學(xué)位論文??成一組時(shí)間間隔相等的滑動(dòng)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(gè)序列劃分為一組滑動(dòng)窗口，滑動(dòng)窗口的傳感器事件數(shù)量相??等，例如每２０個(gè)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(shí)現(xiàn)，但....

結(jié)果都是Ｅａｔ或者是Ｓｌｅｅｐ那么??就將Ｗａｔｃｈ－ＴＶ放回未標(biāo)記數(shù)據(jù)中。不斷循環(huán)上述過程直到未標(biāo)記數(shù)據(jù)為空。這種??方法有一個(gè)缺點(diǎn)就是：如果用相同的數(shù)據(jù)訓(xùn)練分類器會(huì)導(dǎo)致，分類結(jié)果可能過度??擬合導(dǎo)致分類效果不佳。非監(jiān)督方法不需要預(yù)定義活動(dòng)可以直接進(jìn)行聚類，但是??如果像［７９....

智能彖居中日常行為分割與標(biāo)記方法研究??３．３．４實(shí)驗(yàn)結(jié)果及分析??從圖３．１和３．２可以看出，Ｗ中滑動(dòng)窗口方法分段錯(cuò)誤率很低，而本文的方法??在邊界占比大于零時(shí)分段錯(cuò)誤率最高，在邊界占比大于０．５時(shí)分段錯(cuò)誤率最低，但??是也比Ｍ中的滑動(dòng)窗口方法分段錯(cuò)誤率高得多，這是因?yàn)閷?duì)于同一....

本文編號(hào)：4011490