论文部分内容阅读
随着科技的进步,智能设备得到了快速的发展。智能手机中放置了多种传感装置来增强此设备的功能,比如里面的加速度传感装置能够获取加速度数据,这为我们进行以智能设备为基础的动作模式识别提供了数据基础。以往的动作识别研究都是针对传感器位置固定这一前提条件进行的,但随着手机佩戴位置的不固定,导致分类模型识别精度降低。用户之间动作行为特征彼此不同,手机佩戴的位置更是不固定,这就导致了加速度数据特征分布不同,这是分类模型识别精度低的主要原因。因此实现智能手机佩戴位置的自适应性,提高分类模型的识别精度,这是本文研究的重点。 本文根据迁移学习的思想,给出了一种手机佩戴位置能够自适应的算法。首先通过已知位置的数据训练分类器,然后将未知位置的数据经分类器训练后,通过隐马尔可夫模型的连续筛选算法得到可信度高的数据,再将这些数据经过在线增量学习后重训练分类器,这样分类器就具备了对新位置数据识别的能力。为了验证分类器的可靠性,本文用智能手机采集了大量用户数据,并用这些数据用交叉验证的方法验证了此分类模型对未知位置数据的识别精度。 最后,通过仿真实验验证了此算法具备手机佩戴位置自适应的能力,分类模型的识别精度在一定程度上有所提高,说明了此算法在位置自适应上具备一定的有效性。