一种基于决策树分类算法的精确行为识别方法技术

本发明专利技术公开了一种基于决策树分类算法的精确行为识别方法，包括以下步骤：S1，数据收集：采用基于TDOA的Chan算法求解标签位置；S2，特征提取：特征值选择、分区特征值区间；S3，行为识别：建立用户行为识别模型。本发明专利技术的一种基于决策树算法实现行为识别的方法，首先利用传感器获取用户数据，然后识别提取的特征值，再采用决策树算法，最终实现行为分类实验验证。实验结果表明，该算法在特定情况下具有良好的日常行为识别性能。

An accurate behavior recognition method based on decision tree classification algorithm

【技术实现步骤摘要】
一种基于决策树分类算法的精确行为识别方法
本专利技术涉及行为识别方法，具体涉及一种基于决策树分类算法的精确行为识别方法。
技术介绍
目前，随着蓝牙ZigbeeUWB(超宽带)和无线网络等无线技术的不断进步，Adhoc网络无线传感器网络和物联网的蓬勃发展，引起了学术界的广泛关注。行为识别被广泛认为是一项不可或缺的关键技术。行为识别信息有助于在网络紧急情况中预先预警、事件期间的决策和后处理突发事件。行为识别技术对无线网络的进一步发展起着决定性的作用。因此，对行为识别技术的研究显得尤为重要。在室内位置，由于其信号传播环境比室外复杂，难以准确分析信号到达时间或到达角度等参数。然而，随着无线传感器网络WSN的不断进步和发展，学术研究已经不再局限于传统的室内定位和位置感知。目前，许多领域已经开始利用无线电进行位置传感，其中基于UWB(超宽带)雷达系统的位置传感技术的迅速发展和成熟最为突出。在参考中，提出了基于人体遮挡的UWB通道，通过测量和分析TOA的测距误差，研究了人体遮挡对TOA测距误差的影响。目前，基于商用Wi-Fi设备的新型室内定位技术在各方面都具有较好的发展优势。如室内入侵检测、校园安全、商场人员检测、患者监控、家中老人和儿童实时检测等诸多领域。2.4GHz无线网络的频带与蓝牙相似，定位方法也受环境影响，遇到障碍物或电磁干扰时数据不准确。对比各种定位技术的特点，UWB是国内外射频通信领域的长期研究热点。现有的许多行为感知方法都采用图像处理方法。利用图像信息提取低层特征，识别人体运动，构建人体运动模式。但缺点是特征值提取量大，严重威胁用户的安全和隐私。因此，越来越多的技术采用感知小尺寸、廉价部署、简单抗干扰的传感器代替图像处理方法。现有的算法有的采用大数据并行分类来指导供电模式，但不考虑能耗问题；有的方法对原始分类数据进行了细化，并在同一层次的概念细化中提出了最大属性索引算法。在不同层次之间使用分层几何分配机制，更合理地分配隐私预算。但是，数据发布无法在动态数据环境中实现。有的方法改进了决策树生成算法的目标函数，从而能够对不一致的数据进行分类，直接调整该功能的影响因子，使决策树的节点分割更加准确，分类效果更好。有的采用基于HBase数据分类选择压缩策略的方法。但是，数据处理过程相对复杂。
技术实现思路
本专利技术的主要目的在于提供一种基于决策树分类算法的精确行为识别方法。本专利技术采用的技术方案是：一种基于决策树分类算法的精确行为识别方法，包括以下步骤：S1，数据收集：采用基于TDOA的Chan算法求解标签位置；S2，特征提取：特征值选择、分区特征值区间；S3，行为识别：建立用户行为识别模型。进一步地，所述步骤S1具体包括：考虑到定位精度和设备成本，选择4个基站更为合适；在二维平面直角坐标系中，第i个基站的坐标为Buwb,i＝[xi,yi]T(i＝1,2,…,5)，标签的坐标为Tuwb＝[x0,y0]T，基站与标签之间的非视线为Ri＝||Buwb,i-Tuwb||2(i＝1,2,…,5)；以第一个基站为公共参考节点，获得一组TDOA观测值Δti,1(i＝2,3,4,5)，指示第i基站和第一基站之间的信号到达时间差；在此模型中，是Δti,1的真值，ni,1由系统误差测量，NLOS误差为nNLOS,i；设信号传播速度为c，并计算Ri,1从标记到第i个基站与第一基站距离之间的差值：Ri,1＝c·Δti,1(i＝2,3,4,5)(2)根据双曲线特性建立三个双曲方程Ri,1＝Ri-R1(i＝2,3,4,5)，关于Tuwb可以如公式(3)所示建立；采用4个基站标签定位架构，以一个基站为主，其余3个均来自基站；当携带定位标签的测试人员进入测试区域时，标签发出的信号将由一个或多个传感器接收；从发送到达角度和定时信息的传感器解码信号，然后将这些数据传输到主传感器；主传感器采集基站发送的所有信息，以计算标签的位置信息，从而实现数据采集；然后传感器通过交换机和服务器每秒传输数据，数据采用UDP数据包格式，服务器接收UDP数据包，可以获取标签特定的X、Y坐标信息。更进一步地，所述步骤S2具体包括：所述特征值选择包括：位置划分、头肩腰膝高度处理、距离在头肩腰部和膝关节单位时间内移动；所述位置划分包括：在现实生活中，用户的位置与用户行为活动有一定的关系；空间位置分为三类：第一，用户可以坐在躺着休息的地方；第二类是区域0.1～0.3米的距离，视对象而定，表示为Da；剩余空间是第三类，表示为La；所述头肩腰膝高度处理包括头高、肩高、腰高、膝盖高度；用户头肩腰和膝关节的Z轴数据表示用户空间的高度，直接从标签坐标读取；所述距离在头肩腰部和膝关节单位时间内移动包括头部距离肩距离腰围膝盖距离；在单位时间内直接计算用户头肩腰部与膝关节的距离是难以实现的，主要是因为单位时间难以确定；数值过大影响位移计算结果不能准确描述用户行为，导致用户行为识别误差精度降低；值过小会因延迟开销导致计算量大而增加；经过多次实验，得出了称重正确率和操作延时的最佳单位时间为LS；所述分区特征值区间包括：在确定上述特征值后，必须确定分类边界，以确保数据之间的相似性和类别内、类别之间的差异；结合实验，采用分层分类的方法对其进行处理；分类侧重于如何确定每个级别的边界；目前确定边界值是两种算法：长度等价法和分布式等价法；设特征值范围φ＝[cmin,cmax]分为N个级别，级别标签为1～N；从值范围φ＝[cmin,cmax]可以得到传感器值范围为R＝cmax-cmin；以确保区域内每个区间的长度相同；然后通过计算得到每个区间的长度为r＝R/N；因此，能确定每个区间的值范围。更进一步地，所述步骤S3具体包括：设D是训练元组按类别划分，则D的熵表示为：其中，pi表示i第i个类别出现在整个训练元组中的概率，可以通过将属于该类别的元素个数除以训练元组中的元素总数来估计；熵的实际含义表示D中元组类标记所需的平均信息量；设训练元组D除以属性A，则D分区的预期信息为：信息增量是它们之间的差异：gain(A)＝info(D)-infoA(D)(6)建立用户行为识别模型；具体行为识别步骤如下：S31，根据训练数据集对各种行为的分类收集，将训练元组分为训练组的熵info(D)；S32，从数据预处理中提取位置高度特征值，计算特征值区间并划分特征值；S33，通过步骤2预期之前得到关于分区特征值的信息gain(A)；S34，由于期望信息差导致信息增量之间的差异；当达到输出的最大值时，将记住最大增益为最大内存；然后增量信息是相应的行为信息。本专利技术的优点：本专利技术的一种基于决策树算法实现行为识别的方法，首先利用传感器获取用户数据，然后识别提取的特征值，再采用决策树算法，最终实现行为分类实验验证。实验结果表明，该算法在特定情本文档来自技高网...

【技术保护点】
1.一种基于决策树分类算法的精确行为识别方法，其特征在于，包括以下步骤：/nS1，数据收集：采用基于TDOA的Chan算法求解标签位置；/nS2，特征提取：特征值选择、分区特征值区间；/nS3，行为识别：建立用户行为识别模型。/n

【技术特征摘要】
1.一种基于决策树分类算法的精确行为识别方法，其特征在于，包括以下步骤：
S1，数据收集：采用基于TDOA的Chan算法求解标签位置；
S2，特征提取：特征值选择、分区特征值区间；
S3，行为识别：建立用户行为识别模型。


2.根据权利要求1所述的基于决策树分类算法的精确行为识别方法，其特征在于，所述步骤S1具体包括：
选择4个基站；在二维平面直角坐标系中，第i个基站的坐标为Buwb,i＝[xi,yi]T(i＝1,2,…,5)，标签的坐标为Tuwb＝[x0,y0]T，基站与标签之间的非视线为Ri＝||Buwb,i-Tuwb||2(i＝1,2,…,5)；以第一个基站为公共参考节点，获得一组TDOA观测值Δti,1(i＝2,3,4,5)，指示第i基站和第一基站之间的信号到达时间差；



在此模型中，是Δti,1的真值，ni,1由系统误差测量，NLOS误差为nNLOS,i；
设信号传播速度为c，并计算Ri,1从标记到第i个基站与第一基站距离之间的差值：
Ri,1＝c·Δti,1(i＝2,3,4,5)(2)
根据双曲线特性建立三个双曲方程Ri,1＝Ri-R1(i＝2,3,4,5)，关于Tuwb可以如公式(3)所示建立；



采用4个基站标签定位架构，以一个基站为主，其余3个均来自基站；当携带定位标签的测试人员进入测试区域时，标签发出的信号将由一个或多个传感器接收；从发送到达角度和定时信息的传感器解码信号，然后将这些数据传输到主传感器；主传感器采集基站发送的所有信息，以计算标签的位置信息，从而实现数据采集；然后传感器通过交换机和服务器每秒传输数据，数据采用UDP数据包格式，服务器接收UDP数据包，可以获取标签特定的X、Y坐标信息。


3.根据权利要求1所述的基于决策树分类算法的精确行为识别方法，其特征在于，所述步骤S2具体包括：
所述特征值选择包括：位置划分、头肩腰膝高度处理、距离在头肩腰部和膝关节单位时间内移动；
所述位置划分包括：
在现实生活中，用户的位置与用户行为活动有一定的关系；空间位置分为三类：第一，用户可以坐在躺着休息的地方；第二类是区域0.1～0.3米的距离，视对象而定，表示为Da；剩余空间是第三类，表...

【专利技术属性】
技术研发人员：张玉成，王振，姚永康，聂文都，
申请(专利权)人：西京学院，
类型：发明
国别省市：陕西;61