申请上海交通大学工学博士学位论文基于无线传感器网络的行为识别与目标定位研究

发布时间：2017-05-11 05:08

  本文关键词：申请上海交通大学工学博士学位论文基于无线传感器网络的行为识别与目标定位研究，由笔耕文化传播整理发布。

【摘要】： 传感器技术、无线通讯技术、嵌入式计算技术、分布式信息处理技术、微电子技术等领域的进步及相互结合,推动了无线传感器网络的快速发展。无线传感器网络将逻辑上的信息世界与客观上的物理世界连接起来,改变了人类与环境的交互方式,提供了利用逻辑信息来表述客观世界的一种有效的、便捷的方法。目前,无线传感器网络已经广泛地应用于环境智能、环境监控、工业制造、交通运输、军事工程等众多领域。 作为无线传感器网络的一个重要应用领域,环境智能泛指能感知到用户的存在并为其提供智能化服务的电子环境和系统。环境智能的实现依赖于与用户行为密切相关的环境信息的采集和处理,依赖于对用户行为的分析、判断和推理,如:判断用户的位置、识别用户的行为、检测用户与环境的交互等,并在此基础上为用户提供智能化的服务。 本文的研究主要针对环境智能中的两个研究重点:行为识别和目标定位。对于行为识别,介绍了基于环境变量的行为识别、人物交互式行为识别和穿戴式行为识别三种方法,并着重分析了穿戴式行为识别方法。穿戴式行为识别方法常采用监督学习方法,但该方法不具有异常检测能力和扩展学习能力。本文引入一类分类算法,利用组合高斯一类分类模型来判断行为是否是已知的。对于已知行为,采用加权支持向量机分类算法来识别其行为类别;对于未知行为,在分段算法的基础上,提取新行为的样本加入到识别系统中,扩展系统的识别能力。 为了实现识别算法在传感器网络内的分布式实施,本文提出了一种基于移动代理的分布式分类方法,并将此方法运用到两种典型分类算法中。首先通过分解分类模型,将模型参数存放到对应的各个传感器节点上,实现分类模型的离散化;其次,在分类时,通过每个传感器节点计算自己的特征值和分类数据,实现分类操作的离散化;最后,利用移动代理串行访问各个节点,累积计算结果。与集中式分类算法相比较,基于移动代理的分布式分类算法可以减小带宽需求,平衡各个节点之间的计算、存储和能量消耗。 对于目标定位,本文介绍人员定位和声音源定位。在人员定位中,常采用的方法往往需要用户穿戴传感器节点或在传感器节点上安装附加设备,本文提出了一种基于无线电波的非穿戴式定位方法,利用接收信号强度的变化来判断是否有人出现在一对无线电收发机之间,进而判断其位置。 对于声音源定位,本文提出了一种源能量未知情况下的分布式声音源定位方法。文章结合增量梯度算法和基于能量比的声音源定位方法,通过分解和重组能量比定位方法的代价函数,得到适合分布式实施的迭代公式。采用合适的能量比个数以及迭代起始点位置,该方法可以获得与穷尽搜索方法近似的准确率,但只需要非常小的计算消耗。
【关键词】：无线传感器网络 环境智能 上下文感知 行为识别 目标定位 分布式分类
【学位授予单位】：上海交通大学
【学位级别】：博士
【学位授予年份】：2008
【分类号】：TP212.9;TN929.5
【目录】：

• 摘要5-7
• ABSTRACT7-13
• 第一章 绪论13-25
• 1.1 无线传感器网络13-16
• 1.1.1 传感器网络的体系结构13
• 1.1.2 传感器节点的结构13-15
• 1.1.3 传感器网络的特点15
• 1.1.4 传感器网络的应用领域15-16
• 1.2 环境智能16-19
• 1.2.1 环境智能概念的由来及研究现状17-18
• 1.2.2 环境智能的主要特点18-19
• 1.3 上下文感知19-21
• 1.3.1 上下文的定义19-20
• 1.3.2 上下文感知的定义及应用20-21
• 1.4 本文的内容及结构21-25
• 1.4.1 研究课题介绍21-23
• 1.4.2 本文的主要研究内容23-24
• 1.4.3 本文的组织结构24-25
• 第二章 基于加速度传感器的穿戴式行为识别系统25-48
• 2.1 行为识别的三种方式25-28
• 2.1.1 穿戴式行为识别25
• 2.1.2 基于人物交互的行为识别25-26
• 2.1.3 基于环境变量的行为识别26
• 2.1.4 行为识别的融合框架26-28
• 2.2 加速度传感器28-30
• 2.3 基于加速度传感器的穿戴式行为识别系统的框架30-32
• 2.4 特征提取及规范化32-34
• 2.5 主成分分析34-36
• 2.6 多类分类算法36-44
• 2.6.1 决策树分类算法37-39
• 2.6.2 支持向量机算法39-43
• 2.6.3 K 近邻分类算法43-44
• 2.7 穿戴式行为识别的实验及结果44-47
• 2.7.1 实验设置及数据采集44-45
• 2.7.2 实验结果45-47
• 2.8 小结47-48
• 第三章 具有扩展能力的穿戴式行为识别系统48-73
• 3.1 问题的提出48-49
• 3.2 具有扩展能力的穿戴式行为识别系统的框架49-52
• 3.3 组合一类分类模型52-58
• 3.3.1 K 近邻一类分类算法53-55
• 3.3.2 支持向量数据描述一类分类算法55-57
• 3.3.3 高斯一类分类算法57-58
• 3.4 系统更新阶段的操作58-61
• 3.4.1 未知行为数据保存58-59
• 3.4.2 噪声数据去除和数据模式分析59
• 3.4.3 数据分段59-61
• 3.4.4 系统更新61
• 3.5 实验及结果61-71
• 3.5.1 一类分类算法的性能评估62-63
• 3.5.2 系统的检测和分类性能评估63-65
• 3.5.3 系统的扩展能力实验及结果65-71
• 3.6 讨论71-72
• 3.7 小结72-73
• 第四章 基于移动代理的分布式分类算法73-96
• 4.1 传感器网络的计算模式73-76
• 4.1.1 集中式计算模式73-74
• 4.1.2 移动代理计算模式74-76
• 4.2 基于移动代理的分布式决策树分类算法76-87
• 4.2.1 分布式决策树分类77-79
• 4.2.2 基于移动代理的分布式决策树分类的实施79-80
• 4.2.3 性能评估80-86
• 4.2.4 讨论86-87
• 4.3 基于移动代理的分布式支持向量机分类算法87-95
• 4.3.1 分布式支持向量机分类算法87-88
• 4.3.2 分布式支持向量机分类算法的路径优化88-89
• 4.3.3 基于移动代理的分布式支持向量机分类算法的实施89
• 4.3.4 分布式支持向量机分类算法的扩展89-92
• 4.3.5 性能评估92-95
• 4.4 小结95-96
• 第五章 非穿戴式的室内人体定位方法96-105
• 5.1 定位方法96-97
• 5.2 非穿戴式室内定位方法97-100
• 5.2.1 RSSI 的不规则性97-98
• 5.2.2 RSSI 波动的抑制98-99
• 5.2.3 基于RSSI 衰减的人体定位99-100
• 5.3 实验及结果100-103
• 5.3.1 实验设置100-101
• 5.3.2 检测阈值的确定101-102
• 5.3.3 有效检测距离102
• 5.3.4 定位实验及结果102-103
• 5.4 讨论103-104
• 5.5 小结104-105
• 第六章 源能量未知情况下的分布式声音源定位方法105-124
• 6.1 问题的提出105-109
• 6.1.1 声音能量衰减模型106
• 6.1.2 基于IG 算法的分布式声音源定位方法106-108
• 6.1.3 基于能量比的集中式声音源定位方法108-109
• 6.2 基于能量比的分布式定位方法109-115
• 6.2.1 基于能量比的分布式定位方法的思路109-111
• 6.2.2 能量比个数的选择111
• 6.2.3 搜索起始点的确定111-112
• 6.2.4 基于能量比的分布式定位方法的实施步骤112-113
• 6.2.5 能量消耗分析113-115
• 6.3 实验及结果115-122
• 6.3.1 模拟实验及结果115-119
• 6.3.2 移动车辆定位实验及结果119-122
• 6.4 讨论122-123
• 6.5 小结123-124
• 第七章 总结与展望124-126
• 7.1 本文的研究工作及创新点124-125
• 7.2 未来工作展望125-126
• 参考文献126-137
• 致谢137-139
• 攻读博士学位期间发表的论文、专利及参与的科研项目139-140

【引证文献】

中国硕士学位论文全文数据库 前1条

1 刘莎莎;基于智能手机的上下公交车行为识别研究与实现[D];武汉理工大学;2013年

  本文关键词：申请上海交通大学工学博士学位论文基于无线传感器网络的行为识别与目标定位研究，由笔耕文化传播整理发布。

，

本文编号：356306