基于智能手機傳感器的人體運動狀態(tài)識別研究
發(fā)布時間：2020-12-16 11:16
近年來,室內定位問題已成為國內外相關領域研究人員越來越感興趣的研究內容,對定位精度的要求也越來越高。目前,由于城市中大多數(shù)建筑物都是多層建筑,而先前對許多室內定位的有關問題研究多基于建筑物的單層定位。要實現(xiàn)多層建筑的室內定位,關鍵是要對定位問題中的樓層變化進行檢測。為了解決這一檢測問題,實現(xiàn)多層建筑的室內定位以及多層建筑物的軌跡融合,可利用基于手機慣性傳感器數(shù)據(jù)的運動狀態(tài)識別來分類識別用戶的各種室內運動狀態(tài)進而檢測樓層的變化。因此,如何基于高效的機器學習算法對室內運動狀態(tài)進行識別,進而提高多層室內定位精度已成為大家關注和研究的熱點問題。針對人體運動狀態(tài)識別（HAR,Human activity recognition）問題,目前國內外主要有兩個研究方向:基于視覺的運動狀態(tài)識別（Vision-based activity recognition）和基于傳感器的運動狀態(tài)識別（Sensor-based activity recognition）。與基于視覺的運動狀態(tài)識別相比,基于傳感器的運動狀態(tài)識別因其基本不依賴外部環(huán)境和較少的涉及隱私問題,近年來獲得了業(yè)界廣泛的關注,學界對此進行了大量的研...
【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】：60 頁
【學位級別】：碩士
【部分圖文】：
圖2.1支持向量與間隔若訓練樣本集為線性不可分時，可將樣本從原本的空間映射到一個更高維的空間，
第2章理論基礎92.2.2多層感知機多層感知機（MLP，Multi-Layerperception）也叫人工神經(jīng)網(wǎng)絡（ANN，Artificialneuralnetwork），它是由三層神經(jīng)元（Neuron）組成：輸入層（Inputlayer），隱藏層（Hiddenlayer）和輸出層（Outputlayer）[43]。隱藏層和輸出層神經(jīng)元都是擁有激活函數(shù)的功能神經(jīng)元。多層感知機的基本結構如圖2.2所示。從圖2.2中可以看到，多層感知機每一層神經(jīng)元之間是全連接的，即上一層的每個神經(jīng)元都與下一層的所有神經(jīng)元連接。圖2.2多層感知機基本結構如果輸入層為n維向量，則輸入為n個神經(jīng)元，這些神經(jīng)元通過帶有權重的連接向隱藏層進行傳遞，隱藏層接收到輸入層的輸入后與閾值相比較，通過激活函數(shù)（Activationfunction）后產(chǎn)生隱藏層神經(jīng)元的輸出，作為輸出層的輸入，然后經(jīng)歷相同的過程后得到輸出層的輸出。激活函數(shù)的作用是為了增加神經(jīng)網(wǎng)絡模型的非線性，常見的激活函數(shù)類型有sigmod函數(shù)、tanh函數(shù)、relu函數(shù)等[44]�？紤]到各個激活函數(shù)的計算代價，在本文中，我們使用relu函數(shù)，其表達式為f(x)max(0,x)(2.5)在圖2.2中，隱藏層第h個神經(jīng)元的輸入為1dhihiivx(2.6)輸出層第j個神經(jīng)元的輸入為1qjhjhhwb(2.7)
第2章理論基礎11樣本來表示。不同于其它算法的是它沒有訓練過程，所以KNN也稱為懶惰學習。當有新的樣本實例時，直接在當前的訓練數(shù)據(jù)集中找k個與其最近的樣本點，把這個新的實例分配給這k個樣本點中大部分樣本點所屬的類別。在類的標定邊界比較整齊的情況下應用KNN分類的準確率很高。KNN算法需要人為設置k的取值，即需要找多個最近的實例。k值不同，分類的結果也可能不同。圖2.3是利用KNN算法的分類示意圖。如圖所示，訓練數(shù)據(jù)集分為3類，k5，當出現(xiàn)一個新的測試樣本（圖中灰色圓點）時，找到距該測試樣本最近的5個訓練樣本點，通過投票法確定該樣本的類別，為第1類。KNN的基本流程為[45]：（1）計算測試數(shù)據(jù)與各訓練數(shù)據(jù)之間的距離。常見的距離度量方法有歐幾里得距離、余弦值、相關度和曼哈頓距離等；（2）按照距離的遞增關系進行排序；（3）選取距離最小的k個樣本點；（4）確定k個樣本點的所屬類別的出現(xiàn)頻率；（5）返回k個樣本點中出現(xiàn)頻率最高的類別作為測試數(shù)據(jù)的預測分類。圖2.3KNN算法分類示意圖（k5）KNN作為最簡單的分類算法思路簡單且容易實現(xiàn)。但是存在一些不足：一是當訓練數(shù)據(jù)集容量很大時，它需要大量的存儲空間來存儲測試數(shù)據(jù)與所有訓練數(shù)據(jù)樣本的距離，同時也很耗時，計算成本很大；二是KNN對于隨機分布的數(shù)據(jù)集分類效果較差；三是對于樣本不均衡的數(shù)據(jù)也不能達到滿意的分類效果，需要進行改進。此時可以對k個樣本點賦予權重，通過權重大小進行測試數(shù)據(jù)的分類。
【參考文獻】：
碩士論文
[1]機器學習在心電數(shù)據(jù)分析中的研究和應用[D]. 張凱.北方工業(yè)大學 2019
本文編號：2920041
【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】：60 頁
【學位級別】：碩士
【部分圖文】：
圖2.1支持向量與間隔若訓練樣本集為線性不可分時，可將樣本從原本的空間映射到一個更高維的空間，
第2章理論基礎92.2.2多層感知機多層感知機（MLP，Multi-Layerperception）也叫人工神經(jīng)網(wǎng)絡（ANN，Artificialneuralnetwork），它是由三層神經(jīng)元（Neuron）組成：輸入層（Inputlayer），隱藏層（Hiddenlayer）和輸出層（Outputlayer）[43]。隱藏層和輸出層神經(jīng)元都是擁有激活函數(shù)的功能神經(jīng)元。多層感知機的基本結構如圖2.2所示。從圖2.2中可以看到，多層感知機每一層神經(jīng)元之間是全連接的，即上一層的每個神經(jīng)元都與下一層的所有神經(jīng)元連接。圖2.2多層感知機基本結構如果輸入層為n維向量，則輸入為n個神經(jīng)元，這些神經(jīng)元通過帶有權重的連接向隱藏層進行傳遞，隱藏層接收到輸入層的輸入后與閾值相比較，通過激活函數(shù)（Activationfunction）后產(chǎn)生隱藏層神經(jīng)元的輸出，作為輸出層的輸入，然后經(jīng)歷相同的過程后得到輸出層的輸出。激活函數(shù)的作用是為了增加神經(jīng)網(wǎng)絡模型的非線性，常見的激活函數(shù)類型有sigmod函數(shù)、tanh函數(shù)、relu函數(shù)等[44]�？紤]到各個激活函數(shù)的計算代價，在本文中，我們使用relu函數(shù)，其表達式為f(x)max(0,x)(2.5)在圖2.2中，隱藏層第h個神經(jīng)元的輸入為1dhihiivx(2.6)輸出層第j個神經(jīng)元的輸入為1qjhjhhwb(2.7)
第2章理論基礎11樣本來表示。不同于其它算法的是它沒有訓練過程，所以KNN也稱為懶惰學習。當有新的樣本實例時，直接在當前的訓練數(shù)據(jù)集中找k個與其最近的樣本點，把這個新的實例分配給這k個樣本點中大部分樣本點所屬的類別。在類的標定邊界比較整齊的情況下應用KNN分類的準確率很高。KNN算法需要人為設置k的取值，即需要找多個最近的實例。k值不同，分類的結果也可能不同。圖2.3是利用KNN算法的分類示意圖。如圖所示，訓練數(shù)據(jù)集分為3類，k5，當出現(xiàn)一個新的測試樣本（圖中灰色圓點）時，找到距該測試樣本最近的5個訓練樣本點，通過投票法確定該樣本的類別，為第1類。KNN的基本流程為[45]：（1）計算測試數(shù)據(jù)與各訓練數(shù)據(jù)之間的距離。常見的距離度量方法有歐幾里得距離、余弦值、相關度和曼哈頓距離等；（2）按照距離的遞增關系進行排序；（3）選取距離最小的k個樣本點；（4）確定k個樣本點的所屬類別的出現(xiàn)頻率；（5）返回k個樣本點中出現(xiàn)頻率最高的類別作為測試數(shù)據(jù)的預測分類。圖2.3KNN算法分類示意圖（k5）KNN作為最簡單的分類算法思路簡單且容易實現(xiàn)。但是存在一些不足：一是當訓練數(shù)據(jù)集容量很大時，它需要大量的存儲空間來存儲測試數(shù)據(jù)與所有訓練數(shù)據(jù)樣本的距離，同時也很耗時，計算成本很大；二是KNN對于隨機分布的數(shù)據(jù)集分類效果較差；三是對于樣本不均衡的數(shù)據(jù)也不能達到滿意的分類效果，需要進行改進。此時可以對k個樣本點賦予權重，通過權重大小進行測試數(shù)據(jù)的分類。
【參考文獻】：
碩士論文
[1]機器學習在心電數(shù)據(jù)分析中的研究和應用[D]. 張凱.北方工業(yè)大學 2019
本文編號：2920041
本文鏈接：http://www.sikaile.net/kejilunwen/xinxigongchenglunwen/2920041.html
