一种基于多层聚类模型的居民日常行为识别方法技术

本发明专利技术提供一种基于多层聚类模型的居民日常行为识别方法，包括：对训练集中的传感器事件流根据日常行为实例进行分割；通过K近邻算法进行聚簇，统计样本在每个簇下的分布；判断任意两个日常行为是否存在耦合；计算耦合集中日常行为的耦合度，降序排列；去除训练集中耦合度最大的行为实例；判断训练集是否存在耦合；使用分类模型对测试集中的行为实例进行分类；判断训练子集与原始的训练集间关系。本发明专利技术提出的多层聚类模型的行为分类方法对行为实例进行聚类，根据日常行为的耦合度对行为实例进行分步识别，克服了单层的分类方法由于行为实例耦合度较高导致分类性能较差的问题。从理论上讲，使用本发明专利技术将显著地提升居民日常行为的准确率和召回率。

【技术实现步骤摘要】
一种基于多层聚类模型的居民日常行为识别方法
本专利技术涉及行为识别
，具体而言，尤其涉及一种基于多层聚类模型的居民日常行为识别方法。
技术介绍
目前居民日常行为识别的基本流程本质上是一个机器学习领域的多分类问题：首先定义日常行为的特征集，然后计算初始训练集中每个日常行为实例在特征集中每个特征下的特征值，接着使用训练集对分类器进行训练，最后使用训练后的分类器对测试的行为实例进行分类。居民日常行为实例是一组由日常行为触发的传感器事件流，随着日常行为类别的增加，不同行为触发的传感器事件流存在着较高的相似性，而同一行为触发的传感器事件流相似度则可能较低，这种情况导致了单层的分类模型往往难以取得令人满意的分类效果。
技术实现思路
根据上述提出的技术问题，而提供一种基于多层聚类模型的居民日常行为识别方法。本专利技术一种基于多层聚类模型的居民日常行为识别方法，其特征在于，至少包括以下步骤：S1：对训练集中的传感器事件流根据日常行为实例进行分割，以传感器类别作为分类属性，所述训练集中每个行为实例作为训练样本，行为实例在传感器出现的频率作为所述行为实例在传感器下的取值；S2：根据预设的日常行为类别数本文档来自技高网...

【技术保护点】
1.一种基于多层聚类模型的居民日常行为识别方法，其特征在于，至少包括以下步骤：S1：对训练集中的传感器事件流根据日常行为实例进行分割，以传感器类别作为分类属性，所述训练集中每个行为实例作为训练样本，行为实例在传感器出现的频率作为所述行为实例在传感器下的取值；S2：根据预设的日常行为类别数量，通过K近邻算法对所述训练集中的样本进行聚簇，统计所述样本在每个簇下的分布；S3：根据所述样本在每个簇下的分布，判断任意两个日常行为是否存在耦合；如果所述两个日常行为拥有大于等于一个共同簇，则所述两个日常行为存在耦合，所有耦合的日常行为对构成日常行为耦合集；如果所述两个日常行为拥有小于一个共同簇，则所述两个日...

【技术特征摘要】
1.一种基于多层聚类模型的居民日常行为识别方法，其特征在于，至少包括以下步骤：S1：对训练集中的传感器事件流根据日常行为实例进行分割，以传感器类别作为分类属性，所述训练集中每个行为实例作为训练样本，行为实例在传感器出现的频率作为所述行为实例在传感器下的取值；S2：根据预设的日常行为类别数量，通过K近邻算法对所述训练集中的样本进行聚簇，统计所述样本在每个簇下的分布；S3：根据所述样本在每个簇下的分布，判断任意两个日常行为是否存在耦合；如果所述两个日常行为拥有大于等于一个共同簇，则所述两个日常行为存在耦合，所有耦合的日常行为对构成日常行为耦合集；如果所述两个日常行为拥有小于一个共同簇，则所述两个日常行为不耦合；S4：计算所述耦合集中日常行为的耦合度；根据所述日常行为的耦合度，对出现在所述耦合集中的日常行为，按照所述耦合度值从大到小，降序排列；S5：去除所述训练集中耦合度最大的行为实例；S6：判断所述训练集是否存在耦合；如果所述训练集中任意两个日常行为均不存在耦合，则所述训练集为无耦合行为的训练子集，则执行步骤S7；如果所述训练集中任意两个日常行为存在耦合，则重复步骤S2-步骤S5；S7：根据极大无耦合行为的训练子集训练分类模型，使用分类模型对测试集中的行为实例进行分类；S8：当极大无耦合行为的训练子集不等于原始的训练集时，则从初始的训练集中删除极大无耦合行为的训练子集，作为新的训练集并从测试集中删除已经分类后的行为样本，作为测试集，执行步骤S2；...

【专利技术属性】
技术研发人员：刘亚清，王思文，王湘鑫，古竞轩，宋溢洋，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：辽宁,21