论文部分内容阅读
行为识别系统被广泛应用于个人健康管理、医疗以及体感娱乐等多个领域,并且行为识别能够作为感知人当前状态信息,从而成为一种良好的人机交互方式。对行为系统研究不仅仅局限于学术界对其理论分析,相关企业也对其投入了成本,在当前应用市场上也有诸如“咕咚”和“微信晒步数”等多款备受用户热爱的应用软件,从而也证明了对行为识别系统的研究具有重要的应用价值。对行为识别系统的研究起源于使用摄像头进行采集图像信息并基于计算机视觉技术进行行为识别,到如今利用可穿戴设备以及智能手机上内置的传感器采集数据进行行为识别。特别是基于智能终端的行为识别系统更加符合用户的日常生活并对用户生活无侵入,这使得行为识别系统能够大大推广。基于以上背景,本文对基于智能终端的行为识别问题进行了深入研究并设计实现了原型系统,本文的主要工作主要包含如下三个部分:1.在特征工程中,综合考虑分类算法的性能、特征约减效果以及特征成本这三个关键因素,利用二进制粒子群优化算法(BPSO)的搜索能力提出了基于特征可信度和成本的特征选择方法,并在UCI公开数据集中进行了充分的验证,从而证明基于特征可信度和成本的特征选择方法的有效性。其中在Lung数据集中,相较于基于标准BPSO的特征选择方法,所提出的方法能够使得KNN的分类准确性提高3.125%,粒子群迭代收敛能够提前4次;2.监督学习算法是行为识别系统中最为核心的部分,一个性能良好的分类器能够大大提升系统整体的性能,因此,对算法模型的优化也成为了本文的研究重点。通过使用聚类技术构建行为组形成层级拓扑结构的识别方案来对分类器进行了逻辑优化,并在UCI数据集中得到验证,证明该方案的可行性。与Random Tree,J48,Bayes Net,KNN和Decision Table等常用的分类方法进行对比,所提出的方案能够获得最佳的分类准确性为94.1636%;3.通过对行为识别系统已有方案的深入研究,以将理论知识应用到实际工程项目中为目的,设计并完成了完整的基于Android智能手机的行为识别系统。该系统包含了Android APP以及Web端管理系统,利用Android内置的传感器采集人体行为数据,在服务器端完成算法建模以及实时识别等耗能工作。该系统的实现囊括了行为识别系统或者说基础的机器学习工程的多个核心部分,具有实际的工程意义。