基于智能移动终端的行为识别方法研究PDF|Epub|txt|kindle电子书版本网盘下载

基于智能移动终端的行为识别方法研究PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一章 引言1

1.1 什么是行为识别1

1.2 为什么需要行为识别2

1.3 研究行为识别的工具和方法有哪些5

1.4 我们的研究内容、研究工具、研究方法是什么10

1.4.1 研究内容——个人日常行为识别及其流程10

1.4.2 研究工具——行为识别中的传感器设备14

1.4.3 研究方法——机器学习方面的研究现状16

1.5 我们遇到的挑战有哪些48

1.6 本书的贡献50

第二章 行为数据采集和特征提取54

2.1 数据采集要求54

2.1.1 现有的公共数据集54

2.1.2 数据采集设备的多样性58

2.1.3 数据采集要求62

2.2 数据采集过程62

2.3 数据分割和标定63

2.4 特征提取64

2.4.1 时域特征65

2.4.2 频域特征67

2.5 样本集统计信息69

2.6 小结73

第三章 非特定传感器行为识别方法74

3.1 问题描述74

3.2 相关研究工作77

3.3 面向异质加速度传感器数据的预处理方法79

3.3.1 合成加速度的规范化方法80

3.3.2 基于时间窗的采样频率一致化方法81

3.4 实验及结果分析83

3.4.1 数据准备83

3.4.2 量纲对数据分布的影响84

3.4.3 采样频率对数据分布的影响87

3.4.4 方法的效果91

3.5 小结95

第四章 非特定位置行为识别方法96

4.1 问题描述96

4.2 相关研究工作98

4.3 基于特征迁移的非特定位置行为识别模型101

4.3.1 合成加速度数据102

4.3.2 基于PCA的特征降维处理103

4.3.3 极速学习机分类器104

4.3.4 样本的自标定108

4.3.5 模型的在线增量更新109

4.4 实验及结果分析111

4.4.1 分类器性能比较113

4.4.2 未进行PCA变换时的交叉位置行为识别实验114

4.4.3 进行PCA变换后的交叉位置行为识别实验115

4.4.4 自适应调整后模型对新旧位置数据的识别能力实验117

4.5 小结120

第五章 非特定人行为识别方法121

5.1 问题描述121

5.2 相关研究工作122

5.3 一种基于迁移学习的嵌入决策树算法124

5.3.1 算法框架125

5.3.2 二叉决策树的构建及迁移126

5.3.3 新用户高置信度样本的筛选过程127

5.3.4 二叉决策树模型的更新过程130

5.4 实验及结果分析132

5.4.1 数据准备132

5.4.2 决策树模型对个人数据的区分能力133

5.4.3 不同用户两两之间模型的交叉验证实验134

5.4.4 算法性能135

5.4.5 决策树模型和训练样本数量的关系135

5.4.6 个性化模型和新用户样本的关系136

5.5 小结137

第六章 非特定类别行为识别方法139

6.1 问题描述139

6.2 相关研究工作140

6.3 基于结构迁移的非特定类别行为识别方法142

6.3.1 算法框架142

6.3.2 具有疑似异常行为识别能力的极速学习机143

6.3.3 新类别样本的发现和标定145

6.3.4 极速学习机模型结构的迁移和更新146

6.4 实验及结果分析150

6.4.1 数据准备151

6.4.2 模型选择152

6.4.3 识别异常行为的实验152

6.4.4 分类器性能VS新样本数量153

6.4.5 行为识别模型稳定性实验154

6.4.6 批量学习与增量学习的性能比较实验155

6.5 小结156

第七章 基于智能移动终端的社区老人健康感知公共服务系统157

7.1 问题描述157

7.2 系统架构159

7.3 系统的基本功能160

7.3.1 行为识别161

7.3.2 热量消耗估计161

7.3.3 跌倒报警162

7.4 系统功能的设计与实现163

7.4.1 行为识别功能的实现163

7.4.2 行为统计分析功能的实现167

7.4.3 热量消耗估计功能的实现168

7.4.4 跌倒检测功能的实现171

7.5 小结172

第八章 结束语173

8.1 本书工作总结173

8.2 未来工作展望175

参考文献178