CN109615075B - 一种基于多层聚类模型的居民日常行为识别方法 - Google Patents

一种基于多层聚类模型的居民日常行为识别方法 Download PDF

Info

Publication number
CN109615075B
CN109615075B CN201811535782.3A CN201811535782A CN109615075B CN 109615075 B CN109615075 B CN 109615075B CN 201811535782 A CN201811535782 A CN 201811535782A CN 109615075 B CN109615075 B CN 109615075B
Authority
CN
China
Prior art keywords
behavior
daily
training
coupling
tuples
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811535782.3A
Other languages
English (en)
Other versions
CN109615075A (zh
Inventor
刘亚清
王思文
王湘鑫
古竞轩
宋溢洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201811535782.3A priority Critical patent/CN109615075B/zh
Publication of CN109615075A publication Critical patent/CN109615075A/zh
Application granted granted Critical
Publication of CN109615075B publication Critical patent/CN109615075B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于多层聚类模型的居民日常行为识别方法，包括：对训练集中的传感器事件流根据日常行为实例进行分割；通过K近邻算法进行聚簇，统计样本在每个簇下的分布；判断任意两个日常行为是否存在耦合；计算耦合集中日常行为的耦合度，降序排列；去除训练集中耦合度最大的行为实例；判断训练集是否存在耦合；使用分类模型对测试集中的行为实例进行分类；判断训练子集与原始的训练集间关系。本发明提出的多层聚类模型的行为分类方法对行为实例进行聚类，根据日常行为的耦合度对行为实例进行分步识别，克服了单层的分类方法由于行为实例耦合度较高导致分类性能较差的问题。从理论上讲，使用本发明将显著地提升居民日常行为的准确率和召回率。

Description

一种基于多层聚类模型的居民日常行为识别方法
技术领域
本发明涉及行为识别技术领域，具体而言，尤其涉及一种基于多层聚类模型的居民日常行为识别方法。
背景技术
目前居民日常行为识别的基本流程本质上是一个机器学习领域的多分类问题：首先定义日常行为的特征集，然后计算初始训练集中每个日常行为实例在特征集中每个特征下的特征值，接着使用训练集对分类器进行训练，最后使用训练后的分类器对测试的行为实例进行分类。居民日常行为实例是一组由日常行为触发的传感器事件流，随着日常行为类别的增加，不同行为触发的传感器事件流存在着较高的相似性，而同一行为触发的传感器事件流相似度则可能较低，这种情况导致了单层的分类模型往往难以取得令人满意的分类效果。
发明内容
根据上述提出的技术问题，而提供一种基于多层聚类模型的居民日常行为识别方法。
本发明一种基于多层聚类模型的居民日常行为识别方法，其特征在于，至少包括以下步骤：
S1：对训练集中的传感器事件流根据日常行为实例进行分割，以传感器类别作为分类属性，所述训练集中每个行为实例作为训练样本，行为实例在传感器出现的频率作为所述行为实例在传感器下的取值；
S2：根据预设的日常行为类别数量，通过K近邻算法对所述训练集中的样本进行聚簇，统计所述样本在每个簇下的分布；
S3：根据所述样本在每个簇下的分布，判断任意两个日常行为是否存在耦合；如果所述两个日常行为拥有大于等于一个共同簇，则所述两个日常行为存在耦合，所有耦合的日常行为对构成日常行为耦合集；如果所述两个日常行为拥有小于一个共同簇，则所述两个日常行为不耦合；
S4：计算所述耦合集中日常行为的耦合度；根据所述日常行为的耦合度，对出现在所述耦合集中的日常行为，按照所述耦合度值从大到小，降序排列；
S5：去除所述训练集中耦合度最大的行为实例；
S6：判断所述训练集是否存在耦合；如果所述训练集中任意两个日常行为均不存在耦合，则所述训练集为无耦合行为的训练子集，则执行步骤S7；如果所述训练集中任意两个日常行为存在耦合，则重复步骤S2-步骤S5；
S7：根据极大无耦合行为的训练子集训练分类模型，使用分类模型对测试集中的行为实例进行分类；
S8：当极大无耦合行为的训练子集不等于原始的训练集时，则从初始的训练集中删除极大无耦合行为的训练子集，作为新的训练集并从测试集中删除已经分类后的行为样本，作为测试集，执行步骤S2；当极大无耦合行为的训练子集等于原始的训练集时，日常行为识别结束。
进一步地，所述计算所述耦合集中日常行为的耦合度，设每个行为的耦合度初值为0，如果所述日常行为在所述耦合集中出现一次，则所述日常行为的耦合加1。
更进一步地，所述传感器类别至少包括：压力传感器，温度传感器，光传感器。
进一步地，所述K近邻算法至少包括以下步骤：
S21：准备数据并对数据进行预处理；
S22：选用合适的数据结构存储训练数据和测试元组；
S23：设定参数，如k；
S24：按照大小为k的按距离由大至小的降序优先级队列，存储最近邻训练元组；随机从所述训练元组中选取k个元组作为初始的最近邻元组；
分别计算测试元组到这k个元组的距离，将训练元组标号和距离存入优先级队列；
S25：遍历所述训练元组，计算当前训练元组与测试元组的距离，将所得距离L与优先级队列中的最大距离Lmax；
S26：若L≥Lmax，则舍弃所述元组，遍历下一个元组；若L<Lmax，则删除优先级队列中最大距离的元组，将当前训练元组存入优先级队列；
S27：遍历完毕，计算优先级队列中k个元组的多数类，并将其作为测试元组的类别；
S28：测试元组集测试完毕后计算误差率，继续设定不同的k值重新进行训练，最后取误差率最小的k值。
本发明的优点在于：本发明提出的多层聚类模型的行为分类方法对行为实例进行聚类，根据日常行为的耦合度对行为实例进行分步识别，克服了单层的分类方法由于行为实例耦合度较高导致分类性能较差的问题。从理论上讲，使用本发明将显著地提升居民日常行为的准确率和召回率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明整体流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，本发明一种基于多层聚类模型的居民日常行为识别方法，其特征在于，至少包括以下步骤：
S1：对训练集中的传感器事件流根据日常行为实例进行分割，以传感器类别作为分类属性，所述训练集中每个行为实例作为训练样本，行为实例在传感器出现的频率作为所述行为实例在传感器下的取值。
作为优选的实施方式，本申请的训练集训练集为一组连续的行为实例，每一个行为实例会连续触发一系列的传感器。作为本申请一种优选的实施方式，日常行为实例是指一种行为在同一天会多次出现，一次出现称为一个实例，可以理解为在本申请中所说的实例可以包括诸如“睡觉”、“做饭”，“看电视”等行为。
作为优选的实施方式，所述传感器类别至少包括：压力传感器，温度传感器，光传感器。可以理解为在其它的实施方式中，还可以包含其它的传感器只要能够采集日常行为信息即可。
S2：根据预设的日常行为类别数量，通过K近邻算法对所述训练集中的样本进行聚簇，统计所述样本在每个簇下的分布。
S3：根据所述样本在每个簇下的分布，判断任意两个日常行为是否存在耦合；如果所述两个日常行为拥有大于等于一个共同簇，则所述两个日常行为存在耦合，所有耦合的日常行为对构成日常行为耦合集；如果所述两个日常行为拥有小于一个共同簇，则所述两个日常行为不耦合。
S4：计算所述耦合集中日常行为的耦合度；根据所述日常行为的耦合度，对出现在所述耦合集中的日常行为，按照所述耦合度值从大到小，降序排列。
S5：去除所述训练集中耦合度最大的行为实例。
S6：判断所述训练集是否存在耦合；如果所述训练集中任意两个日常行为均不存在耦合，则所述训练集为无耦合行为的训练子集，则执行步骤S7；如果所述训练集中任意两个日常行为存在耦合，则重复步骤S2-步骤S5。
S7：根据极大无耦合行为的训练子集训练分类模型，使用分类模型对测试集中的行为实例进行分类。在本实施方式中，分类模型选择“随机森林”分类器，可以理解为在其它的实施方式中，所述分类器的选择还可以按照实际情况进行设定，只要能够满足能够训练子集训练分类模型。
S8：当极大无耦合行为的训练子集不等于原始的训练集时，则从初始的训练集中删除极大无耦合行为的训练子集，作为新的训练集并从测试集中删除已经分类后的行为样本，作为测试集，执行步骤S2；当极大无耦合行为的训练子集等于原始的训练集时，日常行为识别结束。
作为优选的实施方式，计算所述耦合集中日常行为的耦合度，设每个行为的耦合度初值为0，如果所述日常行为在所述耦合集中出现一次，则所述日常行为的耦合加1。
作为优选的实施方式，K近邻算法至少包括以下步骤：
S21：准备数据并对数据进行预处理；
S22：选用合适的数据结构存储训练数据和测试元组；
S23：设定参数，如k；
S24：按照大小为k的按距离由大至小的降序优先级队列，存储最近邻训练元组；随机从所述训练元组中选取k个元组作为初始的最近邻元组；分别计算测试元组到这k个元组的距离，将训练元组标号和距离存入优先级队列；
S25：遍历所述训练元组，计算当前训练元组与测试元组的距离，将所得距离L与优先级队列中的最大距离Lmax；
S26：若L≥Lmax，则舍弃所述元组，遍历下一个元组；若L<Lmax，则删除优先级队列中最大距离的元组，将当前训练元组存入优先级队列；
S27：遍历完毕，计算优先级队列中k个元组的多数类，并将其作为测试元组的类别；
S28：测试元组集测试完毕后计算误差率，继续设定不同的k值重新进行训练，最后取误差率最小的k值。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种基于多层聚类模型的居民日常行为识别方法，其特征在于，至少包括以下步骤：
S1：对训练集中的传感器事件流根据日常行为实例进行分割，以传感器类别作为分类属性，所述训练集中每个行为实例作为训练样本，行为实例在传感器出现的频率作为所述行为实例在传感器下的取值；
S2：根据预设的日常行为类别数量，通过K近邻算法对所述训练集中的样本进行聚簇，统计所述样本在每个簇下的分布；
S3：根据所述样本在每个簇下的分布，判断任意两个日常行为是否存在耦合；如果所述两个日常行为拥有大于等于一个共同簇，则所述两个日常行为存在耦合，所有耦合的日常行为对构成日常行为耦合集；如果所述两个日常行为拥有小于一个共同簇，则所述两个日常行为不耦合；
S4：计算所述耦合集中日常行为的耦合度；根据所述日常行为的耦合度，对出现在所述耦合集中的日常行为，按照所述耦合度值从大到小，降序排列；
S5：去除所述训练集中耦合度最大的行为实例；
S6：判断所述训练集是否存在耦合；如果所述训练集中任意两个日常行为均不存在耦合，则所述训练集为无耦合行为的训练子集，则执行步骤S7；如果所述训练集中任意两个日常行为存在耦合，则重复步骤S2-步骤S5；
S7：根据极大无耦合行为的训练子集训练分类模型，使用分类模型对测试集中的行为实例进行分类；
S8：当极大无耦合行为的训练子集不等于原始的训练集时，则从初始的训练集中删除极大无耦合行为的训练子集，作为新的训练集并从测试集中删除已经分类后的行为样本，作为测试集，执行步骤S2；当极大无耦合行为的训练子集等于原始的训练集时，日常行为识别结束。
2.根据权利要求1所述的一种基于多层聚类模型的居民日常行为识别方法，其特征还在于：
所述计算所述耦合集中日常行为的耦合度，设每个行为的耦合度初值为 0，如果所述日常行为在所述耦合集中出现一次，则所述日常行为的耦合加1。
3.根据权利要求1所述的一种基于多层聚类模型的居民日常行为识别方法，其特征还在于：所述传感器类别至少包括：压力传感器，温度传感器，光传感器。
4.根据权利要求1所述的一种基于多层聚类模型的居民日常行为识别方法，其特征还在于：所述K近邻算法至少包括以下步骤：
S21：准备数据并对数据进行预处理；
S22：选用合适的数据结构存储训练数据和测试元组；
S23：设定参数，如k；
S24：按照大小为k的按距离由大至小的降序优先级队列，存储最近邻训练元组；随机从所述训练元组中选取k个元组作为初始的最近邻元组；
分别计算测试元组到这k个元组的距离，将训练元组标号和距离存入优先级队列；
S25：遍历所述训练元组，计算当前训练元组与测试元组的距离，将所得距离L与优先级队列中的最大距离Lmax；
S26：若L≥Lmax，则舍弃所述元组，遍历下一个元组；若L<Lmax，则删除优先级队列中最大距离的元组，将当前训练元组存入优先级队列；
S27：遍历完毕，计算优先级队列中k个元组的多数类，并将其作为测试元组的类别；
S28：测试元组集测试完毕后计算误差率，继续设定不同的k值重新进行训练，最后取误差率最小的k值。
CN201811535782.3A 2018-12-14 2018-12-14 一种基于多层聚类模型的居民日常行为识别方法 Active CN109615075B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811535782.3A CN109615075B (zh) 2018-12-14 2018-12-14 一种基于多层聚类模型的居民日常行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811535782.3A CN109615075B (zh) 2018-12-14 2018-12-14 一种基于多层聚类模型的居民日常行为识别方法

Publications (2)

Publication Number Publication Date
CN109615075A CN109615075A (zh) 2019-04-12
CN109615075B true CN109615075B (zh) 2022-08-19

Family

ID=66010182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811535782.3A Active CN109615075B (zh) 2018-12-14 2018-12-14 一种基于多层聚类模型的居民日常行为识别方法

Country Status (1)

Country Link
CN (1) CN109615075B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582307B (zh) * 2020-03-30 2023-04-07 西安电子科技大学 签到结果判定方法、系统、存储介质、计算机程序、终端

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101521899A (zh) * 2009-03-31 2009-09-02 大连海事大学 用于移动应用程序的机上测试系统和方法
CN103268495A (zh) * 2013-05-31 2013-08-28 公安部第三研究所 计算机系统中基于先验知识聚类的人体行为建模识别方法
CN104616316A (zh) * 2014-05-23 2015-05-13 苏州大学 基于阈值矩阵和特征融合视觉单词的人物行为识别方法
CN105095920A (zh) * 2015-09-10 2015-11-25 大连理工大学 基于聚类的大规模多标签分类方法
CN106599913A (zh) * 2016-12-07 2017-04-26 重庆邮电大学 一种基于聚类的多标签不平衡生物医学数据分类方法
CN106778853A (zh) * 2016-12-07 2017-05-31 中南大学 基于权重聚类和欠抽样的不平衡数据分类方法
CN106795565A (zh) * 2014-07-14 2017-05-31 阿莱格罗诊断公司 用于评估肺癌状态的方法
CN106874838A (zh) * 2016-12-30 2017-06-20 中国科学院自动化研究所 融合互补特征的视觉人体行为识别方法
CN107577605A (zh) * 2017-09-04 2018-01-12 南京航空航天大学 一种面向软件缺陷预测的特征聚类选择方法
CN107688790A (zh) * 2017-09-01 2018-02-13 东软集团股份有限公司 人体行为识别方法、装置、存储介质及电子设备
CN108170695A (zh) * 2016-12-07 2018-06-15 信阳师范学院 一个基于信息熵的数据流自适应集成分类方法
CN108564102A (zh) * 2018-01-04 2018-09-21 百度在线网络技术（北京）有限公司 图像聚类结果评价方法和装置
CN108694408A (zh) * 2017-04-11 2018-10-23 西安邮电大学 一种基于深度稀疏滤波卷积神经网络的驾驶行为识别方法
CN108764366A (zh) * 2018-06-07 2018-11-06 南京信息职业技术学院 针对非均衡数据的特征选择和聚类抽样集成二分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102382701B1 (ko) * 2015-09-02 2022-04-06 삼성전자 주식회사 센서 기반 행동 인식을 이용하여 사용자의 위치를 인식하는 사용자단말장치 및 방법

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101521899A (zh) * 2009-03-31 2009-09-02 大连海事大学 用于移动应用程序的机上测试系统和方法
CN103268495A (zh) * 2013-05-31 2013-08-28 公安部第三研究所 计算机系统中基于先验知识聚类的人体行为建模识别方法
CN104616316A (zh) * 2014-05-23 2015-05-13 苏州大学 基于阈值矩阵和特征融合视觉单词的人物行为识别方法
CN106795565A (zh) * 2014-07-14 2017-05-31 阿莱格罗诊断公司 用于评估肺癌状态的方法
CN105095920A (zh) * 2015-09-10 2015-11-25 大连理工大学 基于聚类的大规模多标签分类方法
CN106778853A (zh) * 2016-12-07 2017-05-31 中南大学 基于权重聚类和欠抽样的不平衡数据分类方法
CN106599913A (zh) * 2016-12-07 2017-04-26 重庆邮电大学 一种基于聚类的多标签不平衡生物医学数据分类方法
CN108170695A (zh) * 2016-12-07 2018-06-15 信阳师范学院 一个基于信息熵的数据流自适应集成分类方法
CN106874838A (zh) * 2016-12-30 2017-06-20 中国科学院自动化研究所 融合互补特征的视觉人体行为识别方法
CN108694408A (zh) * 2017-04-11 2018-10-23 西安邮电大学 一种基于深度稀疏滤波卷积神经网络的驾驶行为识别方法
CN107688790A (zh) * 2017-09-01 2018-02-13 东软集团股份有限公司 人体行为识别方法、装置、存储介质及电子设备
CN107577605A (zh) * 2017-09-04 2018-01-12 南京航空航天大学 一种面向软件缺陷预测的特征聚类选择方法
CN108564102A (zh) * 2018-01-04 2018-09-21 百度在线网络技术（北京）有限公司 图像聚类结果评价方法和装置
CN108764366A (zh) * 2018-06-07 2018-11-06 南京信息职业技术学院 针对非均衡数据的特征选择和聚类抽样集成二分类方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Novel Approach Based on Time Cluster for Activity Recognition of Daily Living in Smart Homes;Yaqing Liu 等;《Symmetry》;20171001;第9卷(第10期);第1-17页 *
Egocentric daily activity recognition via multitask clustering;Yan Yan等;《IEEE Transactions on Image Processing》;20150601;第24卷(第10期);第2984-2995页 *
Self-Adaptation of Activity Recognition Systems to New Sensors;David Bannach等;《https://arxiv.org/abs/1701.08528》;20170130;第1-26页 *
基于多层聚类的多分类SVM快速学习方法;张春艳等;《计算机工程与设计》;20170216;第38卷(第02期);第522-527页 *
基于智慧家居感知数据的老人日常行为识别与异常检测;池志攀;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20180215(第(2018)02期);第C038-1675页 *

Also Published As

Publication number Publication date
CN109615075A (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
CN109271512B (zh) 舆情评论信息的情感分析方法、装置及存储介质
CN111915437B (zh) 基于rnn的反洗钱模型的训练方法、装置、设备及介质
CN106469181B (zh) 一种用户行为模式分析方法及装置
CN105868243A (zh) 信息处理方法及装置
CN110113634A (zh) 一种信息互动方法、装置、设备及存储介质
CN102193936A (zh) 一种数据分类的方法及装置
CN108304567B (zh) 高压变压器工况模式识别与数据分类方法及系统
CN112446399A (zh) 标签确定方法、装置和系统
CN106156163B (zh) 文本分类方法以及装置
CN109598307A (zh) 数据筛选方法、装置、服务器及存储介质
CN107145516A (zh) 一种文本聚类方法及系统
CN103345616A (zh) 基于行为分析的指纹存储比对的系统
CN112241494A (zh) 基于用户行为数据的关键信息推送方法及装置
CN113010705A (zh) 标签预测方法、装置、设备及存储介质
CN110134777A (zh) 问题去重方法、装置、电子设备和计算机可读存储介质
CN110751191A (zh) 一种图像的分类方法及系统
CN110909125A (zh) 推文级社会媒体谣言检测方法
CN111986027A (zh) 基于人工智能的异常交易处理方法、装置
CN104182539A (zh) 异常信息批量处理的方法及系统
CN116865994A (zh) 一种基于大数据的网络数据安全预测方法
CN106846170B (zh) 一种发电机组跳闸监测方法及其监测装置
CN109615075B (zh) 一种基于多层聚类模型的居民日常行为识别方法
US11830286B2 (en) Data processing apparatus, data processing method, and non-transitory storage medium
CN103970888A (zh) 基于网络度量指标的文档分类方法
CN113934585A (zh) 磁盘故障预测方法及装置、设备、存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant