基于層次聚類(lèi)特征選擇和HF-SVM的活動(dòng)識(shí)別技術(shù).pdf

1、基于人體活動(dòng)的智能計(jì)算是人工智能領(lǐng)域的一個(gè)重要研究方向，其目的是通過(guò)獲取用戶(hù)的狀態(tài)和環(huán)境數(shù)據(jù)信息，為用戶(hù)提供智能化應(yīng)用服務(wù)。隨著移動(dòng)智能設(shè)備（如智能可穿戴設(shè)備）及其相關(guān)傳感器等技術(shù)的飛速發(fā)展，基于移動(dòng)智能設(shè)備的活動(dòng)識(shí)別技術(shù)成為了研究的熱點(diǎn)。由于移動(dòng)智能終端在計(jì)算能力、存儲(chǔ)空間和能量等硬件資源方面的限制，而傳統(tǒng)機(jī)器學(xué)習(xí)模型需要巨大運(yùn)算能力，基于移動(dòng)智能設(shè)備的活動(dòng)識(shí)別技術(shù)無(wú)法廣泛應(yīng)用。
　　本研究主要內(nèi)容包括：⑴提出了改進(jìn)的基于層次聚

2、類(lèi)算法的特征選擇算法。基于層次聚類(lèi)的特征選擇算法使用的評(píng)價(jià)函數(shù)基于互信息和關(guān)聯(lián)系數(shù)。這不能適用于活動(dòng)識(shí)別領(lǐng)域的連續(xù)型數(shù)據(jù)。本文基于皮爾遜相關(guān)系數(shù)和共享最近鄰這兩種度量改進(jìn)了評(píng)價(jià)函數(shù)。使用改進(jìn)的基于層次聚類(lèi)的特征選擇算法，完成了特征提取，降低活動(dòng)識(shí)別技術(shù)在模型訓(xùn)練過(guò)程中的復(fù)雜度。⑵提出了基于硬件友好型核函數(shù)的SVM算法。傳統(tǒng)的SVM算法在模型訓(xùn)練和算法應(yīng)用中需要大量的指數(shù)運(yùn)算。本文基于高斯核函數(shù)和拉普拉斯核函數(shù)提出了硬件友好型的核函數(shù)，既