[发明专利]一种基于DSN深度对抗迁移网络的日常行为迁移识别方法

权利要求书

1.一种基于DSN深度对抗迁移网络的日常行为迁移识别方法，其特征在于，包括：

获取若干个候选源域及目标域，其中各候选源域中的日常行为标签已知，目标域中的日常行为标签部分已知或者全部未知；

分别将候选源域与目标域的日常行为标签及传感器映射到同一空间；

在该同一空间内获取与日常行为标签对应的日常行为特征向量，并基于距离度量的方法对各日常行为特征向量进行处理，从而由候选源域中筛选出目标域的相似源域；

采用领域自适应方法拉近各相似源域与目标域的特征向量分布；

分别将每个相似源域与目标域的特征向量组合后作为DSN网络的输入，从而训练获得与相似源域数量相当的基分类器；

对各个基分类器对目标域内特征向量的分类结果进行集成学习，从而获得目标域的日常行为识别结果。

2.根据权利要求1所述的基于DSN深度对抗迁移网络的日常行为迁移识别方法，其特征在于，将候选源域与目标域的日常行为标签映射到同一空间，包括：

提取候选源域及目标域的所有已知的日常行为标签；

将原始日常行为标签放入Word2vec模型进行训练，得到与所述日常行为标签对应的具有含有语义的日常行为标签数字特征向量；

利用余弦相似度，日常行为标签数字特征向量之间的距离，将超过一定阈值的两个日常行为标签数字特征向量所对应的日常行为标签划分为同一日常行为，从而得到相似日常行为集成的日常行为模板，完成日常行为映射。

3.根据权利要求1所述的基于DSN深度对抗迁移网络的日常行为迁移识别方法，其特征在于，将候选源域与目标域的传感器映射到同一空间，包括：

获取候选源域及目标域的所有传感器的配置向量，所述配置向量包括位置、对于每个日常行为的出现频次以及类型；

将所述传感器配置向量输入Word2vec模型进行训练，得到与传感器类型对应的具有数字特征的传感器数据向量；

对所述传感器数据向量进行聚类，基于聚类结果，将同一簇中传感器数据向量对应的传感器作为同一传感器，完成传感器映射。

4.根据权利要求1所述的基于DSN深度对抗迁移网络的日常行为迁移识别方法，其特征在于，基于距离度量的方法对各日常行为特征向量进行处理，从而由候选源域中筛选出目标域的相似源域，包括：

获取各个候选源域与目标域在映射空间内的日常行为特征向量；

分别计算各个候选源域的日常行为特征向量与目标源域的日常行为特征向量的距离特征，并将距离特征满足预设要求的候选源域作为相似源域筛选出来。