论文部分内容阅读
近些年来,国内外科研人员针对智慧家庭环境下的用户日常行为识别算法做了深入的研究,取得了不小的成果。但是日常行为识别算法的识别准确度还不够高,而且针对独居老人的异常行为识别研究还很少见。所以,进一步研究面向智慧家庭的用户日常行为识别算法很有意义。本文针对上述研究现状,提出了一个日常行为识别与预测的统一模型,开展了针对独居老人的遗忘、新行为、行动变慢三类典型异常行为识别的研究,最后在实验平台进行算法测试分析。本文的主要工作分为以下几个部分:(1)针对日常行为识别准确性不高的问题,本文建立基于Cost Sensitive Support Vector Machines(CS-SVM)决策融合的日常行为识别模型。将改进后的算法的仿真结果和隐马尔科夫、条件随机场、支持向量机的仿真结果做对比,验证前者在保证多数类识别准确性的同时能有效提高少数类的识别准确性。再选取Multiple Conditional Random Field Ensemble Model(MCRF)基于典型行为序列预测将来的行为,并且与隐马尔科夫、条件随机场的行为预测效果进行了对比分析。(2)在MCRF模型的基础上提出了特征合并的算法。首先验证了特征合并方案的有效性,再分别基于WSU Apartment Test Bed,ADL abnormal数据库和Kasteren等人建立的数据库开展了基于特征合并的独居老人的三类典型异常行为识别,并且与基于特征向量距离的异常行为识别算法进行了对比分析。(3)分别在工业物联网与网络化控制教育部重点实验室、重庆慧居智能电子有限公司的智慧家庭平台进行算法测试分析。测试结果表明本文的日常行为识别方案获得了最高的Recall、Precision、F-measure,分别为85.7%、86.2%、87.4%;行为预测方案的F-measure分别提高了11.78%、6.53%;异常行为识别方案能减少信息冗余带来的误差,提高异常行为识别实时性(测定总时间减少18.4s)和准确率。