[发明专利]一种基于决策树分类算法的精确行为识别方法

权利要求书

1.一种基于决策树分类算法的精确行为识别方法，其特征在于，包括以下步骤：

S1，数据收集：采用基于TDOA的Chan算法求解标签位置；

S2，特征提取：特征值选择、分区特征值区间；

S3，行为识别：建立用户行为识别模型。

2.根据权利要求1所述的基于决策树分类算法的精确行为识别方法，其特征在于，所述步骤S1具体包括：

选择4个基站；在二维平面直角坐标系中，第i个基站的坐标为B_uwb,i＝[x_i,y_i]^T(i＝1,2,…,5)，标签的坐标为T_uwb＝[x₀,y₀]^T，基站与标签之间的非视线为R_i＝||B_uwb,i-T_uwb||₂(i＝1,2,…,5)；以第一个基站为公共参考节点，获得一组TDOA观测值Δt_i,1(i＝2,3,4,5)，指示第i基站和第一基站之间的信号到达时间差；

在此模型中，是Δt_i,1的真值，n_i,1由系统误差测量，NLOS误差为n_NLOS,i；

设信号传播速度为c，并计算R_i,1从标记到第i个基站与第一基站距离之间的差值：

R_i,1＝c·Δt_i,1(i＝2,3,4,5) (2)

根据双曲线特性建立三个双曲方程R_i,1＝R_i-R₁(i＝2,3,4,5)，关于T_uwb可以如公式(3)所示建立；

采用4个基站标签定位架构，以一个基站为主，其余3个均来自基站；当携带定位标签的测试人员进入测试区域时，标签发出的信号将由一个或多个传感器接收；从发送到达角度和定时信息的传感器解码信号，然后将这些数据传输到主传感器；主传感器采集基站发送的所有信息，以计算标签的位置信息，从而实现数据采集；然后传感器通过交换机和服务器每秒传输数据，数据采用UDP数据包格式，服务器接收UDP数据包，可以获取标签特定的X、Y坐标信息。

3.根据权利要求1所述的基于决策树分类算法的精确行为识别方法，其特征在于，所述步骤S2具体包括：

所述特征值选择包括：位置划分、头肩腰膝高度处理、距离在头肩腰部和膝关节单位时间内移动；

所述位置划分包括：

在现实生活中，用户的位置与用户行为活动有一定的关系；空间位置分为三类：第一，用户可以坐在躺着休息的地方；第二类是区域0.1～0.3米的距离，视对象而定，表示为Da；剩余空间是第三类，表示为La；

所述头肩腰膝高度处理包括头高、肩高、腰高、膝盖高度；

用户头肩腰和膝关节的Z轴数据表示用户空间的高度，直接从标签坐标读取；

所述距离在头肩腰部和膝关节单位时间内移动包括头部距离肩距离腰围膝盖距离；

在单位时间内直接计算用户头肩腰部与膝关节的距离是难以实现的，主要是因为单位时间难以确定；数值过大影响位移计算结果不能准确描述用户行为，导致用户行为识别误差精度降低；值过小会因延迟开销导致计算量大而增加；经过多次实验，得出了称重正确率和操作延时的最佳单位时间为LS；

所述分区特征值区间包括：

在确定上述特征值后，必须确定分类边界，以确保数据之间的相似性和类别内、类别之间的差异；结合实验，采用分层分类的方法对其进行处理；分类侧重于如何确定每个级别的边界；目前确定边界值是两种算法：长度等价法和分布式等价法；

设特征值范围φ＝[c_min,c_max]分为N个级别，级别标签为1～N；从值范围φ＝[c_min,c_max]可以得到传感器值范围为R＝c_max-c_min；以确保区域内每个区间的长度相同；然后通过计算得到每个区间的长度为r＝R/N；因此，能确定每个区间的值范围。

4.根据权利要求1所述的基于决策树分类算法的精确行为识别方法，其特征在于，所述步骤S3具体包括：

设D是训练元组按类别划分，则D的熵表示为：

其中，p_i表示i第i个类别出现在整个训练元组中的概率，可以通过将属于该类别的元素个数除以训练元组中的元素总数来估计；熵的实际含义表示D中元组类标记所需的平均信息量；

设训练元组D除以属性A，则D分区的预期信息为：

信息增量是它们之间的差异：

gain(A)＝info(D)-info_A(D) (6)

建立用户行为识别模型；具体行为识别步骤如下：

S31，根据训练数据集对各种行为的分类收集，将训练元组分为训练组的熵info(D)；

S32，从数据预处理中提取位置高度特征值，计算特征值区间并划分特征值；

S33，通过步骤2预期之前得到关于分区特征值的信息gain(A)；

S34，由于期望信息差导致信息增量之间的差异；

当达到输出的最大值时，将记住最大增益为最大内存；然后增量信息是相应的行为信息。