[发明专利]一种基于模糊支持向量机的行为识别方法

说明书

技术领域

本发明涉及行为识别技术领域，具体来说涉及一种基于模糊支持向量机的人体行为识别方法。

背景技术

近年来，健康成为人们关注的热点，对人体行为进行识别与监测，可以间接的估算人的活动量，对于异常行为(比如跌倒)的识别可以很好的处理一些意外的情况，尤其对于老人而言。通过对人体的行为的识别也可以间接的获取被监测者的某些生活习惯，由此可以获得人体更多的生理状况。

传统的人体行为识别是基于图像图形的方式，虽然基于图像的人体行为识别技术发展比较早，理论比较成熟，但是基于图像的人体行为识别技术存在着不足，主要表现在图形处理算法较复杂、硬件成本较高、应用场景有限、准确率不高等问题上。

基于传感器的人体行为识别，具有十分明显的优势，主要表现在，可以自由的获取人体日常行为数据，可以方便的携带在被测者身上等上。

对于基于传感器的人体行为识别技术，应用的主要的分类算法有KNN算法、决策树算法、SVM、极速学习机算法。

KNN算法，存在计算和存储开销大；分类速度慢，大样本数据下存在高维灾难问题，且分类的精度低，无法消除噪声点和孤立点的影响。

决策树算法，虽然计算速度快，运算量小，但是类别太多时，错误增加比较快。

神经网络算法，具有相对较快的学习速度，但是其泛化性能却不是很理想。

极速学习机算法，是一种新型学习方法和工具，具有求解速度快、学习精度高等特点，但是其学习能力却建立在大量隐层节点的消耗上。

SVM，支持向量机是基于结构风险最小化原则，保证了良好的泛化能力。因此，支持向量机在模式识别、回归分析、函数估计、时间序列预测等领域得到广泛的应用。但是，由支持向量机理论分析可知，支持向量机分类超平面容易受到噪声点和孤立点的影响，从而导致降低分类的精确度。

由上面分析可知，各种分类方法都存在各自的优势和劣势，调查分析显示，目前，对于基于传感器的行为识别，多使用SVM以及SVM的改进算法。

发明内容

针对上面提到的问题，本发明采用一种基于模糊支持向量机的行为识别方法，将模糊理论与支持向量机理论融合， 目的在于消除噪声点和孤立点对分类效果的影响，提高分类的精确度。

为实现上述目的，本发明具体内容包括：

S1、采用三轴加速度计采集数据，对合成加速度提取特征值，特征值包括：均值、方差、能量、三维数据中任意两维数据之间的关联系数， 表示如下S＝{s₁,s₂,…,s_n}，s＝{t₁,t₂,t₃,t₄,t₅,t₆}，式中n表示总的样本点数，且能对采集的特征值进行归一化处理，消除‘大数吃小数’的问题；

S2、计算每一类的类中心，计算公式如下l表示这一类的样本点数，在计算每一类中样本点到类中心的欧氏距离时， 需根据欧式距离算取每一个样本点对所属类别的隶属度。其欧氏距离计算公式如下：

Di(a,si)=[Σj=16|tij′-tj′|λ]1-λ]]>

在采用基于样本之间紧密度的隶属度的计算方法时，样本之间的紧密度的算取方法如下：