基于條件隨機(jī)場(chǎng)的智能家居行為識(shí)別研究.pdf

1、近十幾年來，國(guó)內(nèi)外學(xué)者在推進(jìn)泛在智能環(huán)境下的行為識(shí)別技術(shù)上付出了諸多努力。然而現(xiàn)有方法中有的需要特殊的傳感設(shè)備（如穿戴式的），容易給用戶生活造成不便;有的雖然選用不侵犯用戶隱私、不改變用戶生活習(xí)慣的傳感器，但單用戶行為識(shí)別精確性還不夠高，多用戶行為識(shí)別的算法研究剛剛起步，異常行為識(shí)別的研究還不多見。因此泛在智能家居中的行為識(shí)別研究需要更多更深入的算法研究和改進(jìn)。
　　條件隨機(jī)場(chǎng)(CRF)是一類序列概率圖模型，最早應(yīng)用于標(biāo)記和切分序

2、列化數(shù)據(jù)。將CRF應(yīng)用于泛在智能環(huán)境下行為識(shí)別的研究工作還不多見，本文提出利用CRF及其擴(kuò)展模型來改進(jìn)智能家居中的行為識(shí)別算法，取得了以下研究成果:
　　(1)給出了基于條件隨機(jī)場(chǎng)的行為識(shí)別框架，呈現(xiàn)了基于線性鏈條件隨機(jī)場(chǎng)(LCRF)的行為識(shí)別方法，并通過特征合并把多個(gè)只和一個(gè)行為相關(guān)的傳感器狀態(tài)變化視為單一特征，改進(jìn)了基于LCRF的行為識(shí)別方法。仿真實(shí)驗(yàn)證明了LCRF對(duì)大多數(shù)行為的識(shí)別效果要好于NB和HMM方法，特征合并法不僅可

3、以減少模型訓(xùn)練和行為識(shí)別所需要的時(shí)間，而且可以減少冗余，提高行為識(shí)別的精確性。
　　(2)從多個(gè)行為及其內(nèi)部多個(gè)子行為之間關(guān)系入手，提出了基于隱動(dòng)態(tài)條件隨機(jī)場(chǎng)(LDCRF)的行為識(shí)別方法。為驗(yàn)證LDCRF方法的有效性，本文使用多分類衡量標(biāo)準(zhǔn)衡量實(shí)驗(yàn)結(jié)果，并和已有的經(jīng)典行為識(shí)別方法SVM、HMM和LCRF以及相關(guān)方法HCRF進(jìn)行了的對(duì)比，實(shí)驗(yàn)結(jié)果表明基于LDCRF的行為識(shí)別方法要好于其它方法。
　　(3)通過定義合并標(biāo)簽和它的

4、狀態(tài)集來表示多用戶環(huán)境中固定不變的先驗(yàn)知識(shí)，提出了兩階段隱馬爾可夫模型(TSM-HMM)和兩階段線性鏈條件隨機(jī)場(chǎng)(TSM-LCRF)的多用戶行為識(shí)別方法?；诿绹?guó)華盛頓州立大學(xué)一個(gè)多用戶行為數(shù)據(jù)庫(kù)的實(shí)驗(yàn)表明我們的兩階段方法好于現(xiàn)有的多用戶行為識(shí)別方法。
　　(4)針對(duì)智能家居中老人常見的三類異常行為，提出了基于HCRF和LCRF的異常行為識(shí)別方法。為了驗(yàn)證方法的有效性，我們針對(duì)“遺忘”、“新行為”、“行動(dòng)變慢”分別設(shè)計(jì)了三個(gè)仿真實(shí)