面向穿戴网的数据挖掘技术应用研究

发布时间：2022-12-17 22:54

　　随着社会的发展,智能可穿戴设备的使用率在逐年提高。穿戴网中各式各样的穿戴设备会产生种类繁多的数据,这些数据是大量的、多样性的、且富有价值的。使用数据挖掘相关技术对穿戴网中相关数据进行分析,并从这些数据中提取出有价值的信息,就可以为穿戴网的发展注入新的活力,更好为用户提供服务。基于此,本文使用数据挖掘相关技术对穿戴网中的用户步态数据与运动时的生理指标数据这两类典型的数据进行研究分析,从而对穿戴网的相关功能进行进一步的扩展与延伸。针对穿戴网中用户的步态数据,本文首先使用数据挖掘相关技术提出了一套完善的用户特征提取方案,并形成一个合法用户身份比对库。在合法用户身份比对库建立的基础上使用数据挖掘技术中相关异常检测模型实现了对非法用户的检测,并基于传统的分类算法设计了一套联合投票分类模型实现了对合法用户身份标签的精确识别。最终本文基于用户步态数据建立了一套新型的用户身份认证机制。为了对本文提出的新型用户身份认证机制的可靠性进行验证,我们利用智能手机采集不同人的步态数据,从而对相关模型进行对比评估。仿真结果表明,本文提出的方案不仅可以准确的检测出不在身份比对库中的异常用户,而且可以对合法用户的身份... 

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文研究内容
    1.4 组织结构
第二章 应用场景及相关模型
    2.1 应用场景建模
    2.2 用户身份认证相关模型
        2.2.1 特征提取相关模型
        2.2.2 异常检测相关模型
        2.2.3 数据分类相关模型
    2.3 生理指标预测相关模型
        2.3.1 数据预测相关模型
        2.3.2 累积误差修正相关模型
    2.4 本章小结
第三章 基于步态数据的用户身份认证机制构建
    3.1 用户特征提取及身份比对库建立
        3.1.1 原始数据的处理
        3.1.2 属性特征相关性分析
        3.1.3 数据去噪
        3.1.4 数据降维
    3.2 异常用户检测的实现
    3.3 合法用户身份分类的实现
        3.3.1 基于KNN模型的合法用户分类
        3.3.2 基于朴素贝叶斯模型的合法用户分类
        3.3.3 联合投票分类模型的构建
    3.4 实验及结果分析
        3.4.1 实验步骤
        3.4.2 实验结果分析
    3.5 本章小结
第四章 基于运动数据的生理指标预测机制构建
    4.1 基于贝叶斯组合模型的生理指标预测
        4.1.1 神经网络预测器的参数学习
        4.1.2 线性回归预测器的参数学习
        4.1.3 贝叶斯组合模型的构造及应用
    4.2 基于朴素贝叶斯模型的累积误差修正
        4.2.1 朴素贝叶斯模型的参数学习
        4.2.2 累积误差修正的实现
    4.3 实验及结果分析
        4.3.1 实验步骤
        4.3.2 模型预测结果对比
        4.3.3 模型预测误差率对比
    4.4 本章小结
第五章 总结与展望
    5.1 论文总结
    5.2 研究展望
参考文献
致谢
作者简介



本文编号：3720810