一种基于特征与实例相结合的异构迁移行为识别方法技术

本发明专利技术提供一种将基于特征的迁移与基于实例的迁移相结合的行为识别方法。在这里首先会对两个域之间进行传感器相似度的计算，生成传感器映射矩阵，之后会对源域中的各个活动类与目标域的样本进行特征的提取，进行基于特征的相似度计算。在基于实例的部分会对两个域中的活动样本进行传感器序列的相似度计算。最后会对相似度高的源域样本进行随机样本的整体相似度计算，根据三种相似度找出最匹配的源域样本并赋予目标样本相应的标签。在提出的方法中可以较好提高两个相似活动的区分度，从而提高了整体的识别准确度。高了整体的识别准确度。高了整体的识别准确度。

【技术实现步骤摘要】
一种基于特征与实例相结合的异构迁移行为识别方法


[0001]本专利技术涉及
，具体而言，尤其涉及一种基于特征与实例相结合的异构迁移行为识别方法。

技术介绍

[0002]目前利用迁移学习进行行为识别的过程中，通常仅通过活动样本特征的提取以及样本中的主要传感器进行相似度的计算，从而为样本贴上最相似的活动的标签。
[0003]目前迁移学习主要分为基于实例和基于特征两种方式的迁移。基于实例的迁移通常数据信息分析全面且易于使用，缺点是行为识别的准确率较低且时间复杂度较高。基于特征的迁移可以减小两个域之间的差异且识别准确率相对比较高，但是特征所能分析出来的信息有一定的限制。而且在进行样本之间相似度的匹配时，有时不会考虑样本对于整体的相似度，或者在考虑整体相似度时没有考虑到同一标签中分为两种活动类型的情况。为了能够在异构迁移的环境下有效的将相似的活动进行区分，我们提出一种特征和实例相结合的迁移方法进行异构环境下行为识别的方法。
[0004]参考文件：
[0005][1]Mutegeki R，Han D S.Feature
...

【技术保护点】

【技术特征摘要】
1.一种基于特征与实例相结合的异构迁移行为识别方法，其特征在于，包括以下步骤：S1：输入源域与目标域的传感器相似矩阵S的数据；其中，源域中各个活动类为A，所述源域中各个活动样本为a和所述目标域中各个活动样本t；S2：提取所述源域的活动类A中的开始时间分布、持续时间分布、结束时间分布和主要发生位置T1，T2，T3，L；S3：提取所述目标域中各个活动样本t中的开始时间、持续时间、结束时间和发生位置T1'，T2'，T3'，L'；S4：根据所述T1'，T2'，T3'与所述T1，T2，T3的关系确定时间相似度Sim1；以开始时间为例，首先提取出目标样本的开始时间，然后在源域的开始时间分布中找出目标样本开始时间所对应的时间段，最后将源域中该时间段内发生概率作为时间相似度；再根据所述L与L'的关系确定空间相似度Sim2，这里主要判断目标样本的发生位置是否存在与源域活动的主要发生位置中，若存在则判定为相似，否则为不相似；S5：分别对所述活动样本a和所述目标域中各个活动样本t中的传感器序列e，e'进行传感器序列的相似度计算；将e与e'结合S确定传感器序列相似度Sim3，按照序列最短的那一个样...

【专利技术属性】
技术研发人员：郭静寰，任建勋，陈颢铭，韩硕，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：