收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

普适计算环境下人体行为识别及情景感知研究

牛晓鹏  
【摘要】:普适计算是“以人为中心的”计算模式,普适计算的愿景是使用户能够随时随地、透明地获取服务,情景感知是实现这一愿景的关键所在,也是普适计算的核心特征之一。在具体的普适计算环境下,存在着多种不同的情景,人的行为活动是研究者需要重点关注的情景,情景感知系统只有准确地感知和识别用户的行为活动,才能理解用户的意图,进而提供个性化服务,用户的行为活动,往往作为触发情景感知服务的触发情景。因此,人体行为识别是实现情景感知服务的关键环节。可穿戴传感器因携带方便,并具有高性能、低功耗等优点,被广泛应用于人体行为识别中,一个行为识别模型的跨用户行为识别能力,是该模型泛化性能好坏的重要体现。由于物联网及传感器技术的飞速发展,将会出现各式各样的传感器,使得情景的获取变得十分方便,但由于传感器的种类、精度各不相同,所产生的情景信息将具有异构性和不确定性,而情景本身又具有动态性。因此,需要对这些大量异构并且动态的情景建立一个有效的模型,一个设计良好的情景模型能够有效地屏蔽情景之间的异构性,清楚地表达情景之间的动态关系以及请感知服务流程,并能有效降低情景感知系统的复杂性。本文围绕人体行为识别和情景模型展开研究。在人体行为识别的研究中,主要研究了深度学习算法在基于可穿戴传感器的人体行为识别中的应用,以及提高模型跨用户行为识别性能的个性化方法。在情景模型的研究中,主要研究了用户的日常行为所触发的情景感知模型。本文的主要研究内容与创新点如下:(1)在CAE-ELM算法模型的基础上,提出了一种改进的混合深度学习算法模型 DC-KELM(Deep Convolutional Kernel Extreme Learning Machine),DC-KELM算法模型通过卷积神经网络提取数据的局部特征,然后再通过多层超限学习机算法进行进一步的特征提取,提取出更深层次的特征,提取到的最终特征通过基于核的超限学习机进行训练和分类。DC-KELM融合了卷积神经网络、多层超限学习机算法的优点,能自动地从原始数据中提取更具判别能力的特征,并且采用泛化性能好的核超限学习机作为分类器。通过在基于可穿戴传感器的人体行为识别数据集上,DC-K ELM算法与混合深度学习算法CAE-ELM、DELM和ML-KELM的对比实验可知,DC-KELM算法的识别准确率以及其它性能要优于CAE-ELM和DELM。在模型的跨用户行为识别方面,与CAE-ELM算法和ML-KELM算法对比,实验结果表明DC-KELM算法的跨用户行为识别性能要优于CAE-ELM和ML-KELM算法,实验结果验证了 DC-KELM算法模型的有效性。(2)在TransRKELM模型的基础上,结合贝叶斯后验概率、不确定抽样策略以及平均余弦相似度的方法,提出了一种样本置信度选择策略,形成了基于 US-RKELM(Uncertainty Sampling based Reduced Kernel Extreme Learn in g M a c h i ne)的跨用户行为识别方法。US-RK E LM方法首先通过已知用户的样本集训练出一个初始模型,然后通过初始模型对新用户的数据进行测试,并把测试样本经过初始模型的输出值转化为与之相对应的后验概率形式,利用测试样本的后验概率值,结合不确定抽样策略,筛选出测试样本集中置信度高的样本进行在线更新初始模型。TransRK ELM模型相比,US-RKELM方法在测试样本的置信度选择上,引入了样本的后验概率信息以及不确定抽样策略对测试样本进行筛选,为减少测试样本中的离群点带来的误差,还引入了平均余弦相似度的度量方法,计算测试样本集中样本的平均余弦相似度。实验结果表明,模型利用筛选的样本集进行更新后,跨用户行为识别性能优于初始模型以及TransRKELM模型。(3)提出了一种基于UML活动图和着色Petri网(Colored PetriNet,CPN)的情景感知模型,选择用户“离家”这一日常行为作为触发情景感知服务的触发情景,利用UML活动图和CPN对用户离家场景下的情景感知服务建模。首先利用UML活动图对情景感知服务进行建模,然后通过UML活动图与CPN之间的转换规则,把UML活动图转换成CPN模型,并利用CPN的特性,对情景感知模型进行动态仿真验证。UML活动图能直观地描述情景感知服务的控制流程,但不能动态仿真验证。Petri网是一种形式化的建模语言,能够对模型进行动态验证仿真,CPN是一种高级Petri网,能够描述复杂的并发系统。基于UML活动图和CPN的混合建模方法,能够很好地分析情景感知系统,描述情景之间的动态关系以及情景感知服务的控制流程,支持情景的推理,并能模拟系统的运行,有效地避免了服务冲突以及不合理的设计出现。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 孙彬;孔德慧;张雯晖;贾文浩;;基于深度图像的人体行为识别综述[J];北京工业大学学报;年期
2 陈煜平;邱卫根;基于视觉的人体行为识别算法研究综述[J];计算机应用研究;2019年07期
3 杨晨晨;马春梅;朱金奇;;基于智能手机跌倒行为识别算法研究[J];计算机工程;年期
4 富倩;;人体行为识别研究[J];信息与电脑(理论版);2017年24期
5 赵雄伟;;人体行为特征融合与行为识别的分析[J];无线互联科技;2017年12期
6 雷庆;陈锻生;李绍滋;;复杂场景下的人体行为识别研究新进展[J];计算机科学;2014年12期
7 鲁统伟;任莹;;基于光流的人体行为识别[J];电脑知识与技术;2013年07期
8 王新旭;;基于视觉的人体行为识别研究[J];中国新通信;2012年21期
9 刘相滨,向坚持,王胜春;人行为识别与理解研究探讨[J];计算机与现代化;2004年12期
10 ;城市形象设计与建设(连载)——第十章 城市行为识别[J];经济工作导刊;2000年01期
11 岳兴录,陈素贤;企业形象策划的行为识别和视觉识别[J];辽宁经济;1996年06期
12 张伟东;陈峰;徐文立;杜友田;;基于阶层多观测模型的多人行为识别[J];清华大学学报(自然科学版)网络.预览;2009年07期
13 曹博;刘志刚;刘文评;祝军;;人体行为识别的数据库对比研究[J];中国科技信息;2017年17期
14 田国会;尹建芹;韩旭;于静;;一种基于关节点信息的人体行为识别新方法[J];机器人;2014年03期
15 罗会兰;王婵娟;卢飞;;视频行为识别综述[J];通信学报;2018年06期
16 谭程午;;基于分层特征的群体行为识别[J];信息通信;2017年02期
17 周书仁;曹思思;蔡碧野;;基于改进极限学习机算法的行为识别[J];计算机工程与科学;2017年09期
18 衡霞;王忠民;;基于手机加速度传感器的人体行为识别[J];西安邮电大学学报;2014年06期
19 张飞燕;李俊峰;沈军民;;基于梯度和光流统计特性的人体行为识别[J];光电子·激光;2015年08期
20 刘景;邓莎莎;童晶;陈正鸣;;基于人计算的小鼠行为识别[J];计算机应用;2014年02期
中国重要会议论文全文数据库 前10条
1 齐娟;陈益强;刘军发;;基于多模信息感知与融合的行为识别[A];第18届全国多媒体学术会议(NCMT2009)、第5届全国人机交互学术会议(CHCI2009)、第5届全国普适计算学术会议(PCC2009)论文集[C];2009年
2 连儒东;李佳;;人体行为识别分析技术在检察监督中的应用及构建[A];深化依法治国实践背景下的检察权运行——第十四届国家高级检察官论坛论文集[C];2018年
3 安国成;罗志强;李洪研;;改进运动历史图的异常行为识别算法[A];第八届中国智能交通年会优秀论文集——智能交通与安全[C];2013年
4 何靖芸;周洪钧;;示教学习:一种端到端的机器人行为识别及生成的模仿学习方法[A];第36届中国控制会议论文集(E)[C];2017年
5 王忠民;张新平;梁琛;;基于滑动窗口异常数据提取的跌倒行为监测方法[A];2016年全国通信软件学术会议程序册与交流文集[C];2016年
6 刘威;李石坚;潘纲;;uRecorder:基于位置的社会行为自动日志[A];第18届全国多媒体学术会议(NCMT2009)、第5届全国人机交互学术会议(CHCI2009)、第5届全国普适计算学术会议(PCC2009)论文集[C];2009年
7 数采创新项目组;;“algMelt聚类融合算法”模型在零售客户数采异常行为识别中的探索与应用[A];中国烟草学会2015年度优秀论文汇编[C];2015年
8 郝明轩;刘巍;;核安全文化评价与工程实践[A];中国核学会核能动力学会核电质量保证专业委员会第十届年会暨学术报告会论文专集[C];2010年
9 屈立笳;苏红;涂刚;;基于安全事件关联分析的反垃圾邮件系统的研究[A];全国网络与信息安全技术研讨会’2004论文集[C];2004年
10 方帅;曹洋;王浩;;视频监控中的行为识别[A];2007中国控制与决策学术年会论文集[C];2007年
中国博士学位论文全文数据库 前10条
1 牛晓鹏;普适计算环境下人体行为识别及情景感知研究[D];北京科技大学;2018年
2 齐镗泉;基于深度学习的行为识别与旅游场景分类关键技术研究[D];华南理工大学;2017年
3 汪亮;基于可穿戴传感器网络的人体行为识别技术研究[D];南京大学;2014年
4 王江涛;基于视频的目标检测、跟踪及其行为识别研究[D];南京理工大学;2008年
5 姜新波;基于三维骨架序列的人体行为识别研究[D];山东大学;2015年
6 仝钰;基于条件随机场的智能家居行为识别研究[D];大连海事大学;2015年
7 于成龙;基于视频的人体行为识别关键技术研究[D];哈尔滨工业大学;2014年
8 温长吉;行为识别中特征提取和描述相关问题研究[D];吉林大学;2017年
9 吴志泽;基于骨架节点的人体行为识别研究[D];中国科学技术大学;2017年
10 吴秋霞;复杂场景下的人体行为识别[D];华南理工大学;2012年
中国硕士学位论文全文数据库 前10条
1 钟萍;基于RGBD数据的人体行为识别方法的研究[D];湖南大学;2017年
2 郑君;基于深度学习的多人行为识别方法的研究[D];中国石油大学(华东);2016年
3 常伟;基于时间序列分析的行为识别技术研究[D];青岛科技大学;2017年
4 封杰棠;基于模型融合的人体行为识别方法研究[D];浙江大学;2017年
5 刘璐璐;基于卷积神经网络的人体行为识别研究[D];中国科学技术大学;2017年
6 凌佩佩;基于特权信息的人类行为识别研究[D];华东师范大学;2017年
7 彭奕飞;公共场合打架和抢劫行为识别技术研究[D];大连海事大学;2017年
8 武荣凯;一个基于CNN的行为识别系统的设计与实现[D];内蒙古大学;2017年
9 马楠;基于步态压力特征的人体行为识别[D];黑龙江大学;2017年
10 葛瑞;基于时空上下文建模的行为识别研究[D];苏州大学;2017年
中国重要报纸全文数据库 前10条
1 甘肃省武威市凉州区第一幼儿园 刘桂娥;从幼儿行为识别教育误区[N];中国教育报;2018年
2 东林;行为识别新技术让监控没有“死角”[N];人民公安报;2007年
3 素杰;形象就是影响力[N];中国包装报;2004年
4 本报记者 马爱平;动一动就认清你?机器说可以[N];科技日报;2017年
5 国家邮政局公众服务部;明确经营理念 推进形象工程[N];中国邮政报;2002年
6 何正坤;安全文化与企业CI战略[N];中华合作时报;2003年
7 国家税务总局法规司 张学瑞;加强税收违法行为识别的研究[N];中国税务报;2013年
8 符蓉通讯员 刘潇;外经贸职院引入大学新形象系统工程[N];湖南日报;2007年
9 农发行鹿邑支行党支部书记 行长 刘永贞;发行形象与文化落地农[N];周口日报;2007年
10 李晨光;导入CIS要注意什么?[N];河北经济日报;2001年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978