随着人工智能的不断发展,人体行为识别技术在近几年来也获得了广泛关注。目前,利用手机内置的传感器来采集用户的行为数据,成为了人体行为识别领域的一个新的研究方向。相比于传统的可穿戴式数据采集系统,手机在放置位置和方向上的不固定性增大了行为识别的难度。本文针对基于手机传感器采集得到的人体行为数据,进行人体行为识别算法的相关研究与仿真实现,其中主要包括原始数据预处理、特征提取和选择、分类识别等内容。本文的主要研究工作如下:(1)设计了基于手机传感器的人体行为数据采集和预处理过程。在数据采集过程中,考虑了手机的四种不同放置位置,并利用手机内置的加速度计、陀螺仪和磁力计采集了26种人体行为数据,包括站、走、坐下、站起、跌倒等行为;在数据预处理过程中,对采集得到的行为数据进行了加窗、滤波、加速度分解以及其他信号生成等处理,去除了手机方位的干扰,并提供了大量行为信息。(2)提出了一种改进的特征选择算法。从预处理后的数据中提取到大量信号特征后,在特征选择方面对SFFS(Sequential Forward Feature Selection,顺序向前特征选择)算法进行了研究和改进。针对SFFS算法对大量特征的运行时间长、且无法去除已选特征的缺点,引入了ReliefF算法中特征权重的计算来预先去除大部分识别能力较差特征,同时结合了SBFS(Sequential Backward Feature Selection,顺序向后特征选择)算法并以迭代搜索的方式来去除已选特征中的冗余特征。实验结果表明了改进的特征选择算法能提高相应人体行为识别算法的识别性能。(3)提出了一种改进SOA-SVM分类算法。首先对SVM分类算法进行了研究分析,并通过对比实验进行了参数优化,确定了人体行为识别算法中SVM模型的多分类方式和核函数的选择;然后对SOA优化算法进行了研究和改进,引入了一个基于SA算法中Metropolis准则的转移因子和一个变异因子来提高SOA算法的寻优性能并避免算法陷入局部最优解,并通过实验验证了本文提出的改进SOA算法具有更好的寻优性能;接着将改进SOA算法引入到SVM算法中,即利用改进的SOA算法来确定SVM模型的最优核函数参数和最优惩罚因子,并通过实验对比验证了改进SOA-SVM算法具有更好的行为识别性能。(4)设计并仿真实现了一种分层的人体行为识别算法。对于人体行为数据中的26种行为类别,设计了一种多分类器组合模型来进行分层识别。首先针对多分类器组合模型中每个单分类器的不同识别要求,利用改进的特征选择算法得到了对应分类模型的输入特征向量;然后利用多个改进SOA-SVM分类模型和对应特征向量样本集实现了分层行为识别。仿真结果表明,对于在多种手机放置位置下利用手机传感器采集的26种人体行为数据,本文提出的基于改进特征选择算法和改进SOA-SVM分类算法的分层人体行为识别算法能够达到98.2%的平均识别准确率。