基于改进特征子集区分度的行为识别特征选择方法技术

本发明专利技术公开的基于改进特征子集区分度的行为识别特征选择方法，包括基于DFS的特征子集区分度衡量准则，建立样本特征集合，获取特征子集区分度衡量公式DFS

【技术实现步骤摘要】
基于改进特征子集区分度的行为识别特征选择方法
本专利技术属于行为识别选择方法
，具体涉及一种基于改进特征子集区分度的行为识别特征选择方法。
技术介绍
近年来，随着计算机科学和传感器技术的迅速发展，形态各异的传感器正逐渐影响人们生活的各个层面，根据传感器数据、以识别和理解人的动作和行为构成未来以人为中心的计算中的关键任务。人体行为识别的研究可为人们提供更多人性化的服务，例如：老人监护、体感游戏、健康医疗。基于传感器的人体感知行为识别是行为识别中的新兴分支，相比于基于图像的行为识别更便捷、自由和安全，对外界环境依赖度低、可以自由的佩戴，且提升了用户数据隐私性。在基于加速度传感器的人体行为识别研究中，通常会提取时域和频域等特征。其中，小的特征子集可能会导致比较高的分类错误率，而大的特征子集会造成比较低的分类错误率。需要注意，提取的特征不能过多，这是因为：随着特征个数的增加，计算量会呈指数级增长，导致维数灾难；此外，由于提取的特征存在无关和冗余的特性，因此需要对提取特征进行降维处理，选取相关特征，去除无关和冗余特征，最终实现较好的本文档来自技高网...

【技术保护点】
1.基于改进特征子集区分度的行为识别特征选择方法，其特征在于，包括以下步骤：/n步骤1，基于DFS的特征子集区分度衡量准则，建立样本特征集合，获取特征子集区分度衡量公式DFS

【技术特征摘要】
1.基于改进特征子集区分度的行为识别特征选择方法，其特征在于，包括以下步骤：
步骤1，基于DFS的特征子集区分度衡量准则，建立样本特征集合，获取特征子集区分度衡量公式DFSS；
步骤2，基于信息论和概率论概念，获取两个随机变量之间的互信息，从而得到步骤1样本特征集合中的类内特征最小冗余性表达式；
步骤3，结合步骤1中特征子集区分度衡量公式DFSS和步骤2中类内特征最小冗余性表达式，定义最大相关和最小冗余的联合函数；
步骤4，训练步骤4中最大相关和最小冗余的联合函数，完成选择过程。


2.根据权利要求1所述的基于改进特征子集区分度的行为识别特征选择方法，其特征在于，所述步骤1具体为：
设m维实空间记作Rm，任意k(k≥2)类别，设样本的总记录数为n，第i类样本总数为ni，样本空间维数为m，则训练集T可表示为公式(1)：
T＝{(xt,yt)|xt∈Rm,yt∈{1,2...k},t∈{1,2...n}}(1)
故包含k种类别，|S|表示表示特征集合S中元素个数且0＜|S|≤m，|S|个特征的特征子集区分度衡量公式DFSS为公式(2)：



其中参数表示对所有样本求平均后所得的均值向量，表示对第i类样本求平均后所得的均值向量，表示第i类别的第j个样本的特征向量，上述三类向量均包含|S|＜m个特征。


3.根据权利要求2所述的基于改进特征子集区分度的行为识别特征选择方法，其特征在于...

【专利技术属性】
技术研发人员：王怀军，王瑞杰，李军怀，张发存，王侃，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61