一种应用于人体活动识别的迁移学习算法

通过采集可穿戴运动传感器信号,并利用迁移学习克服数据分布不一致来识别人体日常行为成为当下主流.利用可穿戴传感器采集信号,会产生影响迁移效果的噪声样本,传统的算法缺少对这部分样本的处理.针对这一问题,在传统算法的基础上进行改进,引入了基于马氏距离的样本筛选算法,提出了可用于人体活动识别的迁移学习算法T-WMD,并在两个公开的人体活动识别数据集上与其他5种算法进行对比实验.结果表明提出的算法可以有效地提升迁移学习效果.     

基于卷积神经网络-双向长短期记忆网络的人体活动识别方法

针对人体活动传感器数据的时序性特点,以及当前机器学习算法过度依赖手工特征提取的问题,提出了一种融合卷积神经网络和双向长短期记忆网络的深度学习模型(convolutional neural network-bidirectional long short term memory network,CNN-BiLSTM)进行...     

基于手机传感器的用户行为识别

基于手机传感器实现用户行为识别在健康监控、时间管理和个人喜好分析、资讯筛选和推送等方面的重要作用,研究一种基于手机三轴加速度传感器、方向传感器获取用户数据,采用SVM多分类方法中的决策树分类方法,在决策树各节点训练SVM分类器,用于识别静止、步行、奔跑、上楼梯和下楼梯等5种日常行为,进而实现对用户行为的识别。通过对不同实验者的交叉对比实验,识别准确率平均为91.65%,证明了这一方法的有效性。     

基于智能手机传感器和SC\|HMM算法的行为识别

在获取智能手机传感器信号的基础上, 提出一种基于谱聚类和隐Markov模型的日常行为识别算法. 该方法利用智能手机获取的加速度、 地理位置和接受信号强度等数据, 结合谱聚类分析和隐Markov模型学习, 能有效地对用户日常行为进行自动识别. 实验结果表明, 在真实的手机数据集中, 该方法具有较高的准确度.     

基于加速度时域特征的实时人体行为模式识别

摘要： 针对高精度的实时人体行为模式识别,提出了一种基于加速度时域特征的行为模式识别算法.本算法选取时域特征作为唯一特征量,通过简化特征提取运算实现行为的实时识别,获得了高精度结果.通过在Android智能手机平台进行测试,每项动作识别正确率均可达80%以上.该算法相对于现有算法实时精度有明显提高,在手持终端领域具有较好的应用前景.     

模糊模式识别的若干问题研究

本文在原来模糊模式识别的基础上进行分析,阐明了模糊逻辑的特点与识别的关系,提出了模糊模式识别的动态模型,从而指出机器学习在模式识别中的重要性。     

结合张量特征和孪生支持向量机的群体行为识别

给出一种结合张量特征和孪生支持向量机的群体行为识别算法,以提高对视频中群体行为识别的准确率.首先通过群成员关节点骨架的姿态结构信息和群成员的社会网络信息描述群体在每一帧中的行为,并采用张量形式表示;然后使用多路非线性特征映射分解张量核,并利用粒子群优化张量核孪生支持向量机的模型参数;最后结合张量特征和孪生支持向量机实现视频中的群体行为识别.CAD2数据集和自建数据集上的实验结果表明,张量特征能够有效地表示群体行为,相比经典算法,所提算法能有效提高群体行为识别的准确率.      

矩阵码的自组织特征映射识别研究

基于Ｋｏｈｏｎｅｎ自组织特征映射网的自组织性、自适应性及对输入信号的高容错能力，运用无导师动态竞争学习方法对较模糊的矩阵码进行识别，取得了较好的效果．对网络的训练采用了带噪声的矩阵码数据，大大提高了系统的辨识能力．试验表明，该方法为矩阵码的识别提供了一条有效的途径．     

统计模式识别的研究

模式识别的基本目标就是在有监督和无监督的情况下进行分类,在模式识别的各种模型中,基于统计的方法已经被广泛的研究并应用于实际.一些新的技术和方法的引入（神经网络和支持向量机方法）也促进了该领域发展,文章研究了基于统计的模式识别的进展情况,给出了模式识别的概念、原理、方法并对各种方法进行了相关的评述.     

围岩分类中的理想模式识别方法

正确地判断和选择巷道围岩的稳定性类别是确定合理的巷道支护形式、支护参数、施工工艺和施工方法的基础。本文根据“理想模式”这一概念，提出了一种识别巷道围岩类别的方法，实例证明，这种方法是一种简单、有效、实用的围岩类别的模式识别方法。     

基于机器学习的犯罪预测综述

随着犯罪数量不断增加,以及新型犯罪模式不断出现,准确预测未来的犯罪活动越来越重要。所以,基于机器学习的犯罪预测方法对于识别未来犯罪以及减少犯罪数量具有重要的意义。根据犯罪类型的不同,使用的犯罪预测方法也呈现多样化。为此,对国际上不同类型的犯罪预测方法进行了总结和分析,并在此基础上对如何提高犯罪预测的精度进行了讨论,希望对使用机器学习进行犯罪预测的相关工作有一定的参考意义。     

一种快速SVM学习算法

介绍了支持向量机用于解决模式分类问题的基本原理和学习算法，在对SMO算法进行深入分析的基础上，提出了一种改进的分解算法GD，较好地解决了训练过程中子问题的求解复杂度和迭代次数及效率之间的矛盾。实验表明，该算法能够大大缩短非线性核支持向量机的训练时间。     

计算机免疫系统 GECISM 中识别规则的挖掘

GECISM(GEneral Computer Immune System Model)是基于规则匹配检测的计算机免疫系统,免疫识别规则对"自我"和"非我"特征的表征能力直接影响到GECISM的性能,所以挖掘高效免疫识别规则是GECISM的一个重要研究内容.改进后的Apriori算法以系统调用序列为数据源,从"自我"集和"非我"集中计算出频繁谓词,进而产生免疫识别规则.这些规则反映了"自我"和"非我"的内在特征,是GECISM进行"非我"检测的依据.     

交遇区样本分类的应用

在模式识别中，许多问题是非线性的．对于未知的样本需要按属性来进行分类，并且由于空间条件的复杂性高，分类器的设计方法也有很多种．利用“交遇区”中的样本的特殊性，把非线性的问题转换成分段线性问题来处理，并设计了基于“交遇区”的样本分段线性分类器，来对未知的样本进行分类．该分类器可以应用于数据挖掘、模式识别、人工智能等领域．     

基于SVM的机器人工件识别

支持向量机(SVM)是一种崭新的机器学习方法,建立在结构风险最小化原理基础上,寻找一个最优分类超平面,引进核函数将低维空间向量映射到高维空间.此方法能解决小样本、非线性及高维模式识别中的问题.鉴于此,将SVM应用于多传感器信息融合,并针对多类型目标识别问题,采用“oneagainstall”方法构造多元分类器.实验中比较了采用不同核函数构造的SVM的分类效果,结果表明SVM具有较高的识别率,其中三项多项式核函数构造的SVM的识别率最高,可达到93.2%.另外,还比较了单传感器和多传感器融合的识别结果,单传感器的识别率只有63.7%,大大低于多传感器融合的识别率.     

乒乓球挥拍动作识别方法研究

乒乓球运动中有很多不同类型的挥拍动作,准确识别这些运动模式对于挥拍动作的分析有着重要的意义,针对此需求提出并设计了一种基于MPU9250加速度传感器的挥拍动作识别方法。首先将传感器采集的原始数据做加窗和滤波等预处理,对预处理后的样本进行时域分析提取出每种挥拍动作的均值、方差、周期等22个统计学特征;再采用嵌入式特征选择进行特征筛选得到10个特异性特征,并使用支持向量机、随机森林、决策树以及基于以上3种算法的集成学习进行分类器训练;最后,充分比较了4种分类器对正手攻球、反手推球、正手搓球、反手搓球4种运动模式的识别精度。实验结果表明:集成学习分类器效果最佳,平均识别准确率为94.25%。     

基于自组织特征映射神经网络的数字模式识别

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上．从提高算法收敛速度和性能出发．提出了一种改进算法：随机选择样本输入次序；根据实际应用并结合专家经验确定初始连接权值；采用高斯函数作为拓扑邻域函数；将算法分成排序和收敛两个阶段。并分别采用不同的学习率和邻域函数．采用改进后的SOFM算法对输入样本进行自组织聚类，再利用学习矢量量化(LVQ)算法解决样本分类中的交迭问题。提高了分类精度．仿真实验结果表明．该网络能够识别常用的数字(0～9)和英字母．特别是在有噪声污染的情况下．可以获得较好的效果。     

使用数据挖掘技术建立语言模型

基于远距离依赖信息对于准确预测当前词的重要作用，文中利用一种改进的Apriori算法来建立一种特殊的Trigger pair语言模型．它能够准确、全面地反映较远历史中多个词对当前词的影响，利用该模型识别系统不仅能够预测当前词，而且能够对最终识别结果进行纠正．     

车辆牌照字符识别

介绍了一个牌照字符识别系统的字符串图像提取部分和字符识别部分 .前者采用基于纹理的分割阈值选取方法 ,即先对牌照图像进行纹理分析 ,然后对取得的直方图采用模式识别中的最大最小准则决定分割阈值 ,其效果优于传统的直方图方法 .后者采用多个简单识别器融合方法进行字符识别 .这一方法根据不同类型识别器的特性 ,采用串、并联混合的方案将它们组合在一起 .与单一识别器相比 ,不仅大幅提高了识别率而且缩短了识别耗时 .这一系统对牌照汉字、数字和字母的识别率均大于 96%,总的牌照识别率为 82 %.     

用组件模式对数据挖掘算法中的SVM研究

介绍了算法组件的设计思想，在组件模式下实现支持向量机算法的模型结构的过程，通过支持向量机算法来实现算法组件的过程，并分析了组件模式下支持向量机算法存在的问题。