体域网中基于时空相关性的动作识别算法研究LOGO.PPT

体域网中基于时空相关性的动作识别算法研究 LOGO 姓名：秦凯强 导师：肖玲 日期：2016.6.21 目录 1.论文研究进展 2.现阶段工作成果 3.下一步工作 论文研究进展 1 在人体运动识别中基于多惯性传感器的动作识别很少关注多个传感器数据之间的关联性，利用传感器数据之间的相关性进一步进行分类，以提高分类性能。 因此实验的主要内容如下： （1）从多测量向量角度进行动作分类识别，通过考虑多传感器数据之间存在的相关性，选取与之相关的稀疏表示方法，从而构建一种适用于多传感器动作识别的稀疏表示模型。 （2）建立分布式压缩感知模型，在考虑时空相关性的前提下，寻找出一种最大限度的数据压缩比，并提高动作识别率。 论文研究内容： 1、根据本人的研究方向，有针对性的收集资料、阅读文献，对本领域的发展现状有一个初步的了解和掌握，并着重关注该领域可能存在的问题及挑战，以及解决这些问题的前沿技术，初步形成自己的想法，撰写开题报告； 论文研究已经完成下面几方面内容： 2、通过压缩数据后，使用STSBL算法，求解稀疏系数。不同压缩比情况下，利用求解稀疏系数进行分类。修改分类算法进行识别率的优化。 3、使用对比算法，SVM分类方法对数据进行分类。 现阶段工作成果 2 1、实验方案及方法 2、实验成果： 信号的稀疏模型如下： 其中 为原始信号， 为压缩感知矩阵 为稀疏表达矩阵， 为原始信号在表达矩阵的稀疏表示。 其中 存在下面几种结构：聚集结构（稀疏系数主要几种在某一区域）、树形结构、联合稀疏、部分支持集。 STSBL算法中利用了稀疏系数之间的块结构进行稀疏系数的求解。 其中假设 满足多变量的高斯分布，如下面的公式： 因此 的求解主要是对 和 的求解。因此不同的求解算法，将产生不同的解。考虑使用不同的求解估计算法，来进行求解稀疏系数。 1、修改分类算法 在原有分类算法基础之上，对分类残差进行加权计算，从而使分类效果更好 2、由于原始信号在频域有更好的稀疏性，所以将进行了频域的转换。 3、修改STSBL算法 由于算法假设了稀疏系数服从参数化的高斯分布如下： 利用这个算法在估计稀疏系数的时候，其中计算gamma的规则比较重要，不同的学习估计规则将对稀疏系数的计算产生影响。因此修改gamma的学习规则更好的求解稀疏系数。 4、分类结果 表中的总体平均识别率达到91%。 从图中可以看出测试数据3,6,7的识别很低，这是有这三组测试数据的收集有误差，如果去掉这三组平均识别达到95%，基本上达到了要求。 下一步工作 3 （1）继续优化稀疏系数，提高分类效果 （2）使用西班牙格拉纳达大学提供的REALDISP dataset数据集进行测试 （3）搭建实际的系统进行测试 （4）撰写小论文 下一步计划： 报告完毕，请指正 LOGO