發(fā)布時間：2020-11-12 09:44

　　 近十幾年來,國內(nèi)外學(xué)者在推進(jìn)泛在智能環(huán)境下的行為識別技術(shù)上付出了諸多努力。然而現(xiàn)有方法中有的需要特殊的傳感設(shè)備(如穿戴式的),容易給用戶生活造成不便；有的雖然選用不侵犯用戶隱私、不改變用戶生活習(xí)慣的傳感器,但單用戶行為識別精確性還不夠高,多用戶行為識別的算法研究剛剛起步,異常行為識別的研究還不多見。因此泛在智能家居中的行為識別研究需要更多更深入的算法研究和改進(jìn)。條件隨機(jī)場(CRF)是一類序列概率圖模型,最早應(yīng)用于標(biāo)記和切分序列化數(shù)據(jù)。將CRF應(yīng)用于泛在智能環(huán)境下行為識別的研究工作還不多見,本文提出利用CRF及其擴(kuò)展模型來改進(jìn)智能家居中的行為識別算法,取得了以下研究成果：(1)給出了基于條件隨機(jī)場的行為識別框架,呈現(xiàn)了基于線性鏈條件隨機(jī)場(LCRF)的行為識別方法,并通過特征合并把多個只和一個行為相關(guān)的傳感器狀態(tài)變化視為單一特征,改進(jìn)了基于LCRF的行為識別方法。仿真實驗證明了LCRF對大多數(shù)行為的識別效果要好于NB和HMM方法,特征合并法不僅可以減少模型訓(xùn)練和行為識別所需要的時間,而且可以減少冗余,提高行為識別的精確性。(2)從多個行為及其內(nèi)部多個子行為之間關(guān)系入手,提出了基于隱動態(tài)條件隨機(jī)場(LDCRF)的行為識別方法。為驗證LDCRF方法的有效性,本文使用多分類衡量標(biāo)準(zhǔn)衡量實驗結(jié)果,并和已有的經(jīng)典行為識別方法SVM、HMM和LCRF以及相關(guān)方法HCRF進(jìn)行了的對比,實驗結(jié)果表明基于LDCRF的行為識別方法要好于其它方法。(3)通過定義合并標(biāo)簽和它的狀態(tài)集來表示多用戶環(huán)境中固定不變的先驗知識,提出了兩階段隱馬爾可夫模型(TSM-HMM)和兩階段線性鏈條件隨機(jī)場(TSM-LCRF)的多用戶行為識別方法。基于美國華盛頓州立大學(xué)一個多用戶行為數(shù)據(jù)庫的實驗表明我們的兩階段方法好于現(xiàn)有的多用戶行為識別方法。(4)針對智能家居中老人常見的三類異常行為,提出了基于HCRF和LCRF的異常行為識別方法。為了驗證方法的有效性,我們針對“遺忘”、“新行為”、“行動變慢”分別設(shè)計了三個仿真實驗,結(jié)果表明HCRF方法在處理遺忘和異常新行為方面要好于基于特征向量距離的方法,LCRF方法也可以較準(zhǔn)確地識別出行動變慢這類異常行為。
【學(xué)位單位】：大連海事大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2015
【中圖分類】：TP391.4;TU855
【文章目錄】：
創(chuàng)新點(diǎn)摘要
中文摘要
abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 行為監(jiān)測方式的研究現(xiàn)狀
        1.2.1 基于視頻的行為監(jiān)測
        1.2.2 基于傳感器的行為監(jiān)測
            1.2.2.1 基于便攜式設(shè)備的行為監(jiān)測
            1.2.2.2 基于位置的行為監(jiān)測
            1.2.2.3 基于非侵入式傳感器的行為監(jiān)測
    1.3 行為識別算法的研究現(xiàn)狀
        1.3.1 機(jī)器學(xué)習(xí)的方法
            1.3.1.1 典型靜態(tài)分類法
            1.3.1.2 隱馬爾科夫模型
            1.3.1.3 條件隨機(jī)場
            1.3.1.4 聚類的方法
            1.3.1.5 其它機(jī)器學(xué)習(xí)方法
        1.3.2 邏輯推理和本體的方法
    1.4 現(xiàn)狀分析與當(dāng)前存在的主要問題
        1.4.1 單用戶環(huán)境下的行為識別
        1.4.2 多用戶環(huán)境下的行為識別
        1.4.3 異常行為的識別
        1.4.4 行為標(biāo)注方法的研究
        1.4.5 當(dāng)前存在的主要問題
    1.5 研究內(nèi)容
    1.6 本文的組織結(jié)構(gòu)
第2章 基于條件隨機(jī)場的行為識別方法
    2.1 引言
    2.2 行為識別的條件隨機(jī)場理論
        2.2.1 條件隨機(jī)場理論
        2.2.2 基于CRFs的行為識別框架
    2.3 基于LCRF的行為識別方法及其改進(jìn)
        2.3.1 LCRF行為識別方法
            2.3.1.1 參數(shù)訓(xùn)練
            2.3.1.2 推理預(yù)測
            2.3.1.3 仿真實驗
        2.3.2 基于特征合并的LCRF行為識別算法
            2.3.2.1 家居行為的特征分析
            2.3.2.2 特征合并的行為識別方法
            2.3.2.3 仿真實驗1
            2.3.2.4 仿真實驗2
    2.4 本章小結(jié)
第3章 基于隱動態(tài)條件隨機(jī)場的行為識別
    3.1 引言
    3.2 隱動態(tài)條件隨機(jī)場
        3.2.1 模型介紹
        3.2.2 參數(shù)訓(xùn)練
        3.2.3 置信度傳播算法
        3.2.4 推理預(yù)測
    3.3 仿真實驗
        3.3.1 對比模型
        3.3.2 衡量標(biāo)準(zhǔn)
        3.3.3 仿真實驗1
        3.3.4 仿真實驗2
        3.3.5 仿真實驗3
    3.4 本章小結(jié)
第4章 基于先驗知識的多用戶行為識別
    4.1 引言
    4.2 基本理論
        4.2.1 相關(guān)概念
        4.2.2 基于先驗知識的多用戶行為識別過程
    4.3 仿真實驗
        4.3.1 數(shù)據(jù)庫描述
        4.3.2 衡量準(zhǔn)則
        4.3.3 仿真實驗1
        4.3.4 仿真實驗2
    4.4 本章小結(jié)
第5章 基于條件隨機(jī)場的老人異常行為識別
    5.1 引言
    5.2 隱條件隨機(jī)場
        5.2.1 參數(shù)訓(xùn)練
        5.2.2 推理預(yù)測
    5.3 三類異常行為的識別算法
    5.4 仿真實驗
        5.4.1 第一類異常行為仿真實驗
        5.4.2 第二類異常行為仿真實驗
        5.4.3 第三類異常行為仿真實驗
    5.5 本章小結(jié)
第6章 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
攻讀學(xué)位期間公開發(fā)表論文
致謝
作者簡介

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 劉運(yùn);蔡志平;鐘平;殷建平;程杰仁;;基于條件隨機(jī)場的DDoS攻擊檢測方法[J];軟件學(xué)報;2011年08期

2 韓普;姜杰;;HMM在自然語言處理領(lǐng)域中的應(yīng)用研究[J];計算機(jī)技術(shù)與發(fā)展;2010年02期

3 張愛華;王璐;;基于三維加速度傳感器設(shè)計的跌倒檢測[J];中國組織工程研究與臨床康復(fù);2010年48期

4 李旭超;朱善安;;圖像分割中的馬爾可夫隨機(jī)場方法綜述[J];中國圖象圖形學(xué)報;2007年05期

相關(guān)博士學(xué)位論文 前1條

1 王亮;基于判別模式學(xué)習(xí)的人體行為識別方法研究[D];哈爾濱工業(yè)大學(xué);2011年

本文編號：2880590