本文關(guān)鍵詞：申請(qǐng)上海交通大學(xué)工學(xué)博士學(xué)位論文基于無(wú)線傳感器網(wǎng)絡(luò)的行為識(shí)別與目標(biāo)定位研究，由筆耕文化傳播整理發(fā)布。

【摘要】： 傳感器技術(shù)、無(wú)線通訊技術(shù)、嵌入式計(jì)算技術(shù)、分布式信息處理技術(shù)、微電子技術(shù)等領(lǐng)域的進(jìn)步及相互結(jié)合,推動(dòng)了無(wú)線傳感器網(wǎng)絡(luò)的快速發(fā)展。無(wú)線傳感器網(wǎng)絡(luò)將邏輯上的信息世界與客觀上的物理世界連接起來(lái),改變了人類與環(huán)境的交互方式,提供了利用邏輯信息來(lái)表述客觀世界的一種有效的、便捷的方法。目前,無(wú)線傳感器網(wǎng)絡(luò)已經(jīng)廣泛地應(yīng)用于環(huán)境智能、環(huán)境監(jiān)控、工業(yè)制造、交通運(yùn)輸、軍事工程等眾多領(lǐng)域。 作為無(wú)線傳感器網(wǎng)絡(luò)的一個(gè)重要應(yīng)用領(lǐng)域,環(huán)境智能泛指能感知到用戶的存在并為其提供智能化服務(wù)的電子環(huán)境和系統(tǒng)。環(huán)境智能的實(shí)現(xiàn)依賴于與用戶行為密切相關(guān)的環(huán)境信息的采集和處理,依賴于對(duì)用戶行為的分析、判斷和推理,如:判斷用戶的位置、識(shí)別用戶的行為、檢測(cè)用戶與環(huán)境的交互等,并在此基礎(chǔ)上為用戶提供智能化的服務(wù)。 本文的研究主要針對(duì)環(huán)境智能中的兩個(gè)研究重點(diǎn):行為識(shí)別和目標(biāo)定位。對(duì)于行為識(shí)別,介紹了基于環(huán)境變量的行為識(shí)別、人物交互式行為識(shí)別和穿戴式行為識(shí)別三種方法,并著重分析了穿戴式行為識(shí)別方法。穿戴式行為識(shí)別方法常采用監(jiān)督學(xué)習(xí)方法,但該方法不具有異常檢測(cè)能力和擴(kuò)展學(xué)習(xí)能力。本文引入一類分類算法,利用組合高斯一類分類模型來(lái)判斷行為是否是已知的。對(duì)于已知行為,采用加權(quán)支持向量機(jī)分類算法來(lái)識(shí)別其行為類別;對(duì)于未知行為,在分段算法的基礎(chǔ)上,提取新行為的樣本加入到識(shí)別系統(tǒng)中,擴(kuò)展系統(tǒng)的識(shí)別能力。 為了實(shí)現(xiàn)識(shí)別算法在傳感器網(wǎng)絡(luò)內(nèi)的分布式實(shí)施,本文提出了一種基于移動(dòng)代理的分布式分類方法,并將此方法運(yùn)用到兩種典型分類算法中。首先通過(guò)分解分類模型,將模型參數(shù)存放到對(duì)應(yīng)的各個(gè)傳感器節(jié)點(diǎn)上,實(shí)現(xiàn)分類模型的離散化;其次,在分類時(shí),通過(guò)每個(gè)傳感器節(jié)點(diǎn)計(jì)算自己的特征值和分類數(shù)據(jù),實(shí)現(xiàn)分類操作的離散化;最后,利用移動(dòng)代理串行訪問(wèn)各個(gè)節(jié)點(diǎn),累積計(jì)算結(jié)果。與集中式分類算法相比較,基于移動(dòng)代理的分布式分類算法可以減小帶寬需求,平衡各個(gè)節(jié)點(diǎn)之間的計(jì)算、存儲(chǔ)和能量消耗。 對(duì)于目標(biāo)定位,本文介紹人員定位和聲音源定位。在人員定位中,常采用的方法往往需要用戶穿戴傳感器節(jié)點(diǎn)或在傳感器節(jié)點(diǎn)上安裝附加設(shè)備,本文提出了一種基于無(wú)線電波的非穿戴式定位方法,利用接收信號(hào)強(qiáng)度的變化來(lái)判斷是否有人出現(xiàn)在一對(duì)無(wú)線電收發(fā)機(jī)之間,進(jìn)而判斷其位置。 對(duì)于聲音源定位,本文提出了一種源能量未知情況下的分布式聲音源定位方法。文章結(jié)合增量梯度算法和基于能量比的聲音源定位方法,通過(guò)分解和重組能量比定位方法的代價(jià)函數(shù),得到適合分布式實(shí)施的迭代公式。采用合適的能量比個(gè)數(shù)以及迭代起始點(diǎn)位置,該方法可以獲得與窮盡搜索方法近似的準(zhǔn)確率,但只需要非常小的計(jì)算消耗。
【關(guān)鍵詞】：無(wú)線傳感器網(wǎng)絡(luò) 環(huán)境智能 上下文感知 行為識(shí)別 目標(biāo)定位 分布式分類
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2008
【分類號(hào)】：TP212.9;TN929.5
【目錄】：

• 摘要5-7
• ABSTRACT7-13
• 第一章 緒論13-25
• 1.1 無(wú)線傳感器網(wǎng)絡(luò)13-16
• 1.1.1 傳感器網(wǎng)絡(luò)的體系結(jié)構(gòu)13
• 1.1.2 傳感器節(jié)點(diǎn)的結(jié)構(gòu)13-15
• 1.1.3 傳感器網(wǎng)絡(luò)的特點(diǎn)15
• 1.1.4 傳感器網(wǎng)絡(luò)的應(yīng)用領(lǐng)域15-16
• 1.2 環(huán)境智能16-19
• 1.2.1 環(huán)境智能概念的由來(lái)及研究現(xiàn)狀17-18
• 1.2.2 環(huán)境智能的主要特點(diǎn)18-19
• 1.3 上下文感知19-21
• 1.3.1 上下文的定義19-20
• 1.3.2 上下文感知的定義及應(yīng)用20-21
• 1.4 本文的內(nèi)容及結(jié)構(gòu)21-25
• 1.4.1 研究課題介紹21-23
• 1.4.2 本文的主要研究?jī)?nèi)容23-24
• 1.4.3 本文的組織結(jié)構(gòu)24-25
• 第二章 基于加速度傳感器的穿戴式行為識(shí)別系統(tǒng)25-48
• 2.1 行為識(shí)別的三種方式25-28
• 2.1.1 穿戴式行為識(shí)別25
• 2.1.2 基于人物交互的行為識(shí)別25-26
• 2.1.3 基于環(huán)境變量的行為識(shí)別26
• 2.1.4 行為識(shí)別的融合框架26-28
• 2.2 加速度傳感器28-30
• 2.3 基于加速度傳感器的穿戴式行為識(shí)別系統(tǒng)的框架30-32
• 2.4 特征提取及規(guī)范化32-34
• 2.5 主成分分析34-36
• 2.6 多類分類算法36-44
• 2.6.1 決策樹分類算法37-39
• 2.6.2 支持向量機(jī)算法39-43
• 2.6.3 K 近鄰分類算法43-44
• 2.7 穿戴式行為識(shí)別的實(shí)驗(yàn)及結(jié)果44-47
• 2.7.1 實(shí)驗(yàn)設(shè)置及數(shù)據(jù)采集44-45
• 2.7.2 實(shí)驗(yàn)結(jié)果45-47
• 2.8 小結(jié)47-48
• 第三章 具有擴(kuò)展能力的穿戴式行為識(shí)別系統(tǒng)48-73
• 3.1 問(wèn)題的提出48-49
• 3.2 具有擴(kuò)展能力的穿戴式行為識(shí)別系統(tǒng)的框架49-52
• 3.3 組合一類分類模型52-58
• 3.3.1 K 近鄰一類分類算法53-55
• 3.3.2 支持向量數(shù)據(jù)描述一類分類算法55-57
• 3.3.3 高斯一類分類算法57-58
• 3.4 系統(tǒng)更新階段的操作58-61
• 3.4.1 未知行為數(shù)據(jù)保存58-59
• 3.4.2 噪聲數(shù)據(jù)去除和數(shù)據(jù)模式分析59
• 3.4.3 數(shù)據(jù)分段59-61
• 3.4.4 系統(tǒng)更新61
• 3.5 實(shí)驗(yàn)及結(jié)果61-71
• 3.5.1 一類分類算法的性能評(píng)估62-63
• 3.5.2 系統(tǒng)的檢測(cè)和分類性能評(píng)估63-65
• 3.5.3 系統(tǒng)的擴(kuò)展能力實(shí)驗(yàn)及結(jié)果65-71
• 3.6 討論71-72
• 3.7 小結(jié)72-73
• 第四章 基于移動(dòng)代理的分布式分類算法73-96
• 4.1 傳感器網(wǎng)絡(luò)的計(jì)算模式73-76
• 4.1.1 集中式計(jì)算模式73-74
• 4.1.2 移動(dòng)代理計(jì)算模式74-76
• 4.2 基于移動(dòng)代理的分布式?jīng)Q策樹分類算法76-87
• 4.2.1 分布式?jīng)Q策樹分類77-79
• 4.2.2 基于移動(dòng)代理的分布式?jīng)Q策樹分類的實(shí)施79-80
• 4.2.3 性能評(píng)估80-86
• 4.2.4 討論86-87
• 4.3 基于移動(dòng)代理的分布式支持向量機(jī)分類算法87-95
• 4.3.1 分布式支持向量機(jī)分類算法87-88
• 4.3.2 分布式支持向量機(jī)分類算法的路徑優(yōu)化88-89
• 4.3.3 基于移動(dòng)代理的分布式支持向量機(jī)分類算法的實(shí)施89
• 4.3.4 分布式支持向量機(jī)分類算法的擴(kuò)展89-92
• 4.3.5 性能評(píng)估92-95
• 4.4 小結(jié)95-96
• 第五章 非穿戴式的室內(nèi)人體定位方法96-105
• 5.1 定位方法96-97
• 5.2 非穿戴式室內(nèi)定位方法97-100
• 5.2.1 RSSI 的不規(guī)則性97-98
• 5.2.2 RSSI 波動(dòng)的抑制98-99
• 5.2.3 基于RSSI 衰減的人體定位99-100
• 5.3 實(shí)驗(yàn)及結(jié)果100-103
• 5.3.1 實(shí)驗(yàn)設(shè)置100-101
• 5.3.2 檢測(cè)閾值的確定101-102
• 5.3.3 有效檢測(cè)距離102
• 5.3.4 定位實(shí)驗(yàn)及結(jié)果102-103
• 5.4 討論103-104
• 5.5 小結(jié)104-105
• 第六章 源能量未知情況下的分布式聲音源定位方法105-124
• 6.1 問(wèn)題的提出105-109
• 6.1.1 聲音能量衰減模型106
• 6.1.2 基于IG 算法的分布式聲音源定位方法106-108
• 6.1.3 基于能量比的集中式聲音源定位方法108-109
• 6.2 基于能量比的分布式定位方法109-115
• 6.2.1 基于能量比的分布式定位方法的思路109-111
• 6.2.2 能量比個(gè)數(shù)的選擇111
• 6.2.3 搜索起始點(diǎn)的確定111-112
• 6.2.4 基于能量比的分布式定位方法的實(shí)施步驟112-113
• 6.2.5 能量消耗分析113-115
• 6.3 實(shí)驗(yàn)及結(jié)果115-122
• 6.3.1 模擬實(shí)驗(yàn)及結(jié)果115-119
• 6.3.2 移動(dòng)車輛定位實(shí)驗(yàn)及結(jié)果119-122
• 6.4 討論122-123
• 6.5 小結(jié)123-124
• 第七章 總結(jié)與展望124-126
• 7.1 本文的研究工作及創(chuàng)新點(diǎn)124-125
• 7.2 未來(lái)工作展望125-126
• 參考文獻(xiàn)126-137
• 致謝137-139
• 攻讀博士學(xué)位期間發(fā)表的論文、專利及參與的科研項(xiàng)目139-140

【引證文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 劉莎莎;基于智能手機(jī)的上下公交車行為識(shí)別研究與實(shí)現(xiàn)[D];武漢理工大學(xué);2013年

  本文關(guān)鍵詞：申請(qǐng)上海交通大學(xué)工學(xué)博士學(xué)位論文基于無(wú)線傳感器網(wǎng)絡(luò)的行為識(shí)別與目標(biāo)定位研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：356306