基于层次聚类特征选择和HF-SVM的活动识别技术

摘要

基于人体活动的智能计算是人工智能领域的一个重要研究方向，其目的是通过获取用户的状态和环境数据信息，为用户提供智能化应用服务。随着移动智能设备（如智能可穿戴设备）及其相关传感器等技术的飞速发展，基于移动智能设备的活动识别技术成为了研究的热点。由于移动智能终端在计算能力、存储空间和能量等硬件资源方面的限制，而传统机器学习模型需要巨大运算能力，基于移动智能设备的活动识别技术无法广泛应用。
　　本研究主要内容包括：⑴提出了改进的基于层次聚类算法的特征选择算法。基于层次聚类的特征选择算法使用的评价函数基于互信息和关联系数。这不能适用于活动识别领域的连续型数据。本文基于皮尔逊相关系数和共享最近邻这两种度量改进了评价函数。使用改进的基于层次聚类的特征选择算法，完成了特征提取，降低活动识别技术在模型训练过程中的复杂度。⑵提出了基于硬件友好型核函数的SVM算法。传统的SVM算法在模型训练和算法应用中需要大量的指数运算。本文基于高斯核函数和拉普拉斯核函数提出了硬件友好型的核函数，既保持高斯核函数抗噪声的优点，也具有较小的计算代价。⑶提出了基于组合分类器的活动识别技术。活动识别是多类别分类问题。传统的多类别分类算法存在分类误差大的问题。本文提出了基于OVO策略的SV算法，将每个分类器的输出结果作用于Sigmoid函数，然后根据每个二值分类器的投票得到最终输出。本文提出的方法避免单独使用Sigmoid函数取最大值时易受到噪声的干扰而预测出错，也避免了多个分类器直接投票由于分类器权重相同导致的错误。

目录

声明

摘要

图目录

表目录

第1章 绪论

1．1 研究背景及意义

1．2 研究现状

1．3 本文的研究内容和创新点

1．4 论文组织结构

1．5 本章小结

第2章 相关技术综述

2．1 智能手机传感器技术

2．2 统计学习理论

2．2．1 损失函数和风险函数

2．2．2 训练误差与测试误差

2．2．3 正则化与过拟合

2．2．4 交叉验证与保持方法

2．3 活动识别相关技术

2．3．1 识别过程概述

2．3．2 数据预处理

2．4 本章总结

第3章 基于层次聚类的特征选择算法

3．1 特征选择技术

3．1．1 特征选择过程

3．1．2 特征选择的方法

3．1．3 评价函数

3．2 改进的基于层次聚类的特征选择算法

3．2．1 改进的距离度量

3．2．2 改进的评价函数

3．2．3 搜索策略

3．2．4 特征选择算法流程

3．3 实验结果

3．3．1 对比实验

3．3．2 活动识别数据集

3．3．3 活动识别实验结果

3．4 本章总结

第4章 改进的硬件友好型支持向量机

4．1 SVM技术

4．2 改进的HF-SVM算法

4．2．1 改进的目标函数和决策函数

4．2．2 改进的硬件友好型核函数

4．2．3 求解改进的HF-SVM

4．3 实验结果

4．3．1 对比实验

4．3．2 活动识别实验与分析

4．4 本章总结

第5章 基于组合分类器的活动识别技术

5．1 多类别分类

5．1．1 OVA策略

5．1．2 OVO策略

5．2 SV分类器组合算法

5．3 实验结果

5．4 本章总结

第6章 总结与展望

6．1 本文总结

6．2 展望

参考文献

攻读硕士学位期间主要的研究成果

致谢