基于改进隐马尔科夫模型鲁棒用户行为识别.docVIP

基于改进隐马尔科夫模型鲁棒用户行为识别 　　摘 要：提出了一种基于改进隐马尔科夫模型的用户行为识别方法.采用遗传算法用于优化隐马尔科夫模型的初始参数，将混沌算子代替遗传算法中高斯变异算子，以避免传统遗传算法在收敛过程中的停滞和早熟问题，并有效解决传统隐马尔科夫模型中Baum-Welch算法对初始参数敏感的问题.此外，采用UCI中ADLs数据对用户行为进行识别，实验结果表明该方法具有很高的识别率和可靠性. 　　关键词：隐马尔科夫模型；遗传算法；Baum-Welch算法；用户行为识别 　　中图分类号：TP391 文献标志码：A 　　Abstract：An improved Hidden Markov Models （HMM） was proposed to recognize the users behavior. In order to improve the learning efficiency of Baum-Welch algorithm in HMM， and to solve the problem of initial sensitivity， the improved GA s used to optimize the initial parameters of HMM， in which the Chaos operator is utilized to avoid the problem of stagnation and premature convergence of the traditional GA in the convergence process. Finally， the experiment results based on ADLs data in UCI show the algorithms availability and reliability for users behavior recognition. 　　Key words：Hidden Markov Models； Genetic algorithm； Baum-Welch algorithm； user’s behavior recognition 　　随着机器学习算法和人工智能的进步，智能家居领域在中国兴起了浪潮.利用室内布置的智能家居传感器，以无线传感技术采集并记录用户在日常生活中的行为数据，因相似数据中隐含了用户的某种行为模式，通过记录的数据对用户生活习惯建模就可以实现用户行为识别[1-2].用户行为识别技术在运动识别、健康监测、跌倒监测等多个领域得到了研究和应用[3-7]，如文献[3]中介绍了一种基于智能手机传感器的用户行为识别系统；文献[4]介绍了使用可穿戴式设备的惯性传感器来识别人类活动的系统；文献[5]中将用户日常行为识别技术应用到用户健康监测；文献[6]对记录的活动序列进行分析，分析结果应用到惯性导航领域；文献[7]基于智能移动设备对用户行为记录的数据实现了用户行为跟踪；文献[8]利用极速学习机ELM分类器对移动用户行为进行识别，提出一种位置无关的多模型移动用户行为识别方法；文献[9]结合L（2，1）范数稀疏特征选择和超法向量提出了一种新的深度图像序列行为识别方法，并利用线性分类器Liblinear进行分类；文献[10]针对目前行为识别通用模型对步行、上楼、下楼等易混淆行为识别准确率较低的情况，提出了一种基于小波分解及决策树分类器的行为识别通用模型；文献[11]对近年来提出的基于不同深度学习框架的人体行为识别新进展进行了逐一介绍和总结分析. 　　用户行为识别技术的关键是找到能精确体现人体行为逻辑顺序的关系模型，但可直接观测到的传感器状态与隐藏用户行为状态之间不具有一一对应的关系.隐马尔科夫模型HMM（Hidden Markov Model）具有双随机过程的特性[12]，能够很好地描述两种状态的隐含关系；再者，HMM具有完善的数学模型和理论基础，能很好地分析时序事件，且已在协议异常检测、手写识别、股票预测和DNA序列识别、动作识别[12-14]等方面大量应用. 　　本文采用HMM对用户日常行为进行建模.HMM模型的矩阵参数辨识是用户行为识别的重点，传统的Baum-Welch算法任意选取初始参数来重估，能够使迭代向着正确的方向?l展，且收敛速度快，但是由于Baum-Welch迭代算法是根据梯度下降的方式进行局部优化，致使参数在迭代估计的过程中易陷入局部最优而影响最终值[15-18].为解决上述问题，本文将遗传算法引入到HMM的Baum-Welch算法的训练当中，利用遗传算法全局寻优的优点，有效避免了Baum-Welch算法对初值的敏感. 　　1 相关理论及算法介绍 　　1.1 隐马尔科