智能家居中日常行为分割与标记方法研究

发布时间：2024-11-05 21:29

　　在智能家居环境下,通过部署的传感器来获取环境数据,利用行为识别知识处理这些数据,来感知居民需求,为居民生活提供帮助。虽然行为识别技术经过长期的发展已经有了很大的进步,但是在很多方面仍然具有不少挑战。例如在动态传感器数据流分割方面,现有的技术有时会把同一个活动划分为多个传感器片段,或者把多个活动合并为一个活动。其次,在数据标记方面采用人工标记不仅耗时费力,而且容易出错。在特征提取方面只采用预定义特征或者离散特征没有关注传感器的时间序列属性等问题。针对上述问题,本论文进行以下三个方面的研究:(1)针对动态传感器数据流分割边界难以确定等问题,本文提出一种基于边界传感器互信息的时间加权分割算法。首先统计训练集中作为边界的传感器组,然后统计每个边界传感器组在整个训练集中出现的个数以及作为边界的个数,用来计算每个传感器组的边界占比,最后统计每个边界传感器组的时间跨度。接下来进行分割得到分割后的传感器片段,然后利用分割后的片段进行活动识别。通过与现有方法进行对比,表明本文的方法具有更高的实用性。(2)针对数据标记工作费时费力并且容易出错等问题,本文提出一种基于半监督的数据标记改进算法。首先利用相似度比...

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

大连海事大学专业学位硕士学位论文??２日常行为识别的研究基础??２．１日常行为识别过程??居民日常行为识别通常可分为四个阶段，如图２．１所示。第一阶段是采集由居??民日常行为所触发的传感器事件序列数据。第二阶段是分割和预处理采集到的传??感器数据。传感器序列预处理主要是清除原始数....

大连海事大学专业学位硕士学位论文??成一组时间间隔相等的滑动窗口，例如每隔６０秒，如图２．２中的（Ｂ）所示。另一??种类似的方法是将整个序列划分为一组滑动窗口，滑动窗口的传感器事件数量相??等，例如每２０个传感器分割一次，如图２．２中的（Ｃ）所示。虽然这样的方法更容??易实现，但....

结果都是Ｅａｔ或者是Ｓｌｅｅｐ那么??就将Ｗａｔｃｈ－ＴＶ放回未标记数据中。不断循环上述过程直到未标记数据为空。这种??方法有一个缺点就是：如果用相同的数据训练分类器会导致，分类结果可能过度??拟合导致分类效果不佳。非监督方法不需要预定义活动可以直接进行聚类，但是??如果像［７９....

智能彖居中日常行为分割与标记方法研究??３．３．４实验结果及分析??从图３．１和３．２可以看出，Ｗ中滑动窗口方法分段错误率很低，而本文的方法??在边界占比大于零时分段错误率最高，在边界占比大于０．５时分段错误率最低，但??是也比Ｍ中的滑动窗口方法分段错误率高得多，这是因为对于同一....

本文编号：4011490