[发明专利]基于改进特征子集区分度的行为识别特征选择方法在审

专利信息
申请号: 202010377788.3 申请日: 2020-05-07
公开(公告)号: CN111709441A 公开(公告)日: 2020-09-25
发明(设计)人: 王怀军;王瑞杰;李军怀;张发存;王侃 申请(专利权)人: 西安理工大学
主分类号: G06K9/62 分类号: G06K9/62
代理公司: 西安弘理专利事务所 61214 代理人: 罗笛
地址: 710048 陕*** 国省代码: 陕西;61
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 改进 特征 子集 区分 行为 识别 选择 方法
【说明书】:

发明公开的基于改进特征子集区分度的行为识别特征选择方法,包括基于DFS的特征子集区分度衡量准则,建立样本特征集合,获取特征子集区分度衡量公式DFSS;基于信息论和概率论概念,获取两个随机变量之间的互信息,从而得到类内特征最小冗余性表达式;结合特征子集区分度衡量公式DFSS和类内特征最小冗余性表达式,定义最大相关和最小冗余的联合函数;训练最大相关和最小冗余的联合函数,完成选择过程。本发明行为识别特征选择方法,一方面加入了冗余性分析,删除冗余特征,在提高分类准确率的同时进一步降低了计算复杂度;另一方面,通过对最大相关和最小冗余的计算,既保证特征子集的类别间区分能力的同时,又减少各个特征间的冗余度。

技术领域

本发明属于行为识别选择方法技术领域,具体涉及一种基于改进特征子集区分度的行为识别特征选择方法。

背景技术

近年来,随着计算机科学和传感器技术的迅速发展,形态各异的传感器正逐渐影响人们生活的各个层面,根据传感器数据、以识别和理解人的动作和行为构成未来以人为中心的计算中的关键任务。

人体行为识别的研究可为人们提供更多人性化的服务,例如:老人监护、体感游戏、健康医疗。基于传感器的人体感知行为识别是行为识别中的新兴分支,相比于基于图像的行为识别更便捷、自由和安全,对外界环境依赖度低、可以自由的佩戴,且提升了用户数据隐私性。

在基于加速度传感器的人体行为识别研究中,通常会提取时域和频域等特征。其中,小的特征子集可能会导致比较高的分类错误率,而大的特征子集会造成比较低的分类错误率。需要注意,提取的特征不能过多,这是因为:随着特征个数的增加,计算量会呈指数级增长,导致维数灾难;此外,由于提取的特征存在无关和冗余的特性,因此需要对提取特征进行降维处理,选取相关特征,去除无关和冗余特征,最终实现较好的分类效果。

根据特征选择方法与分类器的关系,特征选择方法一般可以分为四类:过滤式、包装式、嵌入式和混合式。过滤式特征选择算法独立于分类器,一般使用距离、相关性、一致性或信息度量标准以衡量特征与分类类别之间的相关性以及特征之间的冗余性,不同的评价准则可能获得差异性的最优特征子集。包装式特征选择方法考虑了特征之间的交互作用,依赖于分类器的性能,算法完成后直接输出最优特征子集。特征选择作为学习算法的构成要件,与分类同步进行,嵌入式特征选择算法可以将特征选择嵌入到分类器构造的算法中,从而有效选择特征子集。混合式特征选择算法结合过滤式和包裹式两种算法的优点,首先用过滤式算法产生某一特征子集,进而再用包裹式算法对特征子集作进一步压缩。

鉴于混合式具有较高分类正确率的优势,其中,谢娟英的基于子集区分度的特征子集(Discernibility of Feature Subset,DFS)衡量准则的特征选择方法,考虑了特征之间相关性,通过计算多个特征对分类联合贡献的大小,结合搜索策略和分类器以优选特征子集。然而,在选择特征过程中,该方法未考虑特征之间的冗余性对分类结果的影响,优选出的特征子集存在冗余特征。

发明内容

本发明的目的是提供基于改进特征子集区分度的行为识别特征选择方法,解决了现有行为识别特征选择方法中,冗余特征多,分类准确率低、计算复杂度高的问题。

本发明所采用的技术方案是,基于改进特征子集区分度的行为识别特征选择方法,包括以下步骤:

步骤1,基于DFS的特征子集区分度衡量准则,建立样本特征集合,获取特征子集区分度衡量公式DFSS

步骤2,基于信息论和概率论概念,获取两个随机变量之间的互信息,从而得到步骤1样本特征集合中的类内特征最小冗余性表达式;

步骤3,结合步骤1中特征子集区分度衡量公式DFSS和步骤2中类内特征最小冗余性表达式,定义最大相关和最小冗余的联合函数;

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西安理工大学,未经西安理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010377788.3/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top