论文部分内容阅读
近十几年来,国内外学者在推进泛在智能环境下的行为识别技术上付出了诸多努力。然而现有方法中有的需要特殊的传感设备(如穿戴式的),容易给用户生活造成不便；有的虽然选用不侵犯用户隐私、不改变用户生活习惯的传感器,但单用户行为识别精确性还不够高,多用户行为识别的算法研究刚刚起步,异常行为识别的研究还不多见。因此泛在智能家居中的行为识别研究需要更多更深入的算法研究和改进。条件随机场(CRF)是一类序列概率图模型,最早应用于标记和切分序列化数据。将CRF应用于泛在智能环境下行为识别的研究工作还不多见,本文提出利用CRF及其扩展模型来改进智能家居中的行为识别算法,取得了以下研究成果：(1)给出了基于条件随机场的行为识别框架,呈现了基于线性链条件随机场(LCRF)的行为识别方法,并通过特征合并把多个只和一个行为相关的传感器状态变化视为单一特征,改进了基于LCRF的行为识别方法。仿真实验证明了LCRF对大多数行为的识别效果要好于NB和HMM方法,特征合并法不仅可以减少模型训练和行为识别所需要的时间,而且可以减少冗余,提高行为识别的精确性。(2)从多个行为及其内部多个子行为之间关系入手,提出了基于隐动态条件随机场(LDCRF)的行为识别方法。为验证LDCRF方法的有效性,本文使用多分类衡量标准衡量实验结果,并和已有的经典行为识别方法SVM、HMM和LCRF以及相关方法HCRF进行了的对比,实验结果表明基于LDCRF的行为识别方法要好于其它方法。(3)通过定义合并标签和它的状态集来表示多用户环境中固定不变的先验知识,提出了两阶段隐马尔可夫模型(TSM-HMM)和两阶段线性链条件随机场(TSM-LCRF)的多用户行为识别方法。基于美国华盛顿州立大学一个多用户行为数据库的实验表明我们的两阶段方法好于现有的多用户行为识别方法。(4)针对智能家居中老人常见的三类异常行为,提出了基于HCRF和LCRF的异常行为识别方法。为了验证方法的有效性,我们针对“遗忘”、“新行为”、“行动变慢”分别设计了三个仿真实验,结果表明HCRF方法在处理遗忘和异常新行为方面要好于基于特征向量距离的方法,LCRF方法也可以较准确地识别出行动变慢这类异常行为。