论文部分内容阅读
随着微电子领域的快速发展,多种传感器性能得到快速提升。越来越多的传感器可适配于智能手机,智能手机已经成为生活中不可或缺的一部分。面向智能手机的室内定位技术越来越受到学者和研究人员青睐,人员运动状态识别是室内定位中的重要组成部分。传统的人员室内运动状态识别采用分析视频数据与可穿戴设备数据的方法,由于此类方法存在数据采集过程复杂、设备价格昂贵等问题,寻求一种适应能力更强的室内运动状态识别方法成为研究热点。面向智能手机的室内运动状态识别主要通过采集数据、建立学习模型、分类预测三个步骤。现有的面向智能手机的运动状态识别模型中主要采用单一的加速度传感器进行模型训练,无法有效的概括室内运动各状态特征,且运动识别模型不具备自学习的能力。本文针对上述问题进行深入研究,具体研究内容如下:(1)针对单一传感器的识别模型进行改进,结合智能手机中多传感器采集到的室内运动状态数据进行分析,对SVM、决策树、KNN算法在室内运动状态识别模型进行构建,并最终在SVM算法的基础上采用了一种LSSVM识别算法,LSSVM算法模型在降低SVM算法模型时间复杂度的前提下取得了较好的运动状态识别率。(2)针对上述基础学习算法中自学习能力差,无法通过不断学习调整模型参数的问题,提出了一种基于多层神经网络的运动状态识别模型。基于稀疏自编码的多层神经网络是一种无监督的网络结构,引入窗口法保留运动状态数据中的时域信息,通过网络的不断训练,结合梯度下降法修正识别模型中的参数,最终获得较学习算法模型更高的运动状态识别率。(3)针对多层神经网络中特征提取需要过多人为干预的问题,提出了一种基于深度学习的室内运动状态识别模型。选择深度学习领域中的典型的CNN网络作为运动状态识别模型的适配网络,CNN网络具有特征自抽取,且可提取最能表述各运动状态特征的能力。采用局部连接的网络结构可降低识别模型的时间复杂度,提高运行效率。CNN网络运动状态识别模型中的卷积与池化层可有效避免训练过程中陷入局部最优,有效的提高了运动状态识别的稳定性和准确率。