【技术实现步骤摘要】
本专利技术属于传感器数据群体行为识别，具体涉及一种基于多级特征增强的传感器数据群体行为识别方法。
技术介绍
1、基于传感器数据的群体行为识别是一个备受瞩目且充满前景的研究领域。它涉及理解多个个体之间相互作用的整体行为，可在多个领域中产生广泛的应用，如城市规划、交通管理、社会学研究等。在复杂环境下，进行群体行为识别是一项具有挑战性的任务。这是因为群体行为不仅仅是个体行为的简单总和，而是需要通过对个体行为和个体之间的互动关系进行推断。因此，它需要识别群体中的个体行为，并考虑个体之间复杂的交互关系，以进行自下而上的行为分析。
2、近年来，随着物联网行业的迅猛发展，无线传感器网络、可穿戴设备等技术的普及，各种传感器的广泛应用为群体行为识别研究提供了新的数据来源。同时机器学习、深度学习等技术的广泛应用使得基于传感器数据的群体行为识别取得了显著的进展。但是目前大部分群体行为研究仍然都集中在视觉和图像处理领域。基于传感器数据的群体行为识别相对于视频和图像而言成本较低，不受地理限制，同时隐私侵犯较少。现在，智能终端设备已经集成了丰富的传感器设备，包括加速度传感器、磁力计、陀螺仪、全球定位系统等，这为智能终端设备用于群体行为识别提供了可行性。
3、然而，尽管广泛应用各种传感器和深度学习技术为群体行为识别研究提供了数据和理论支持，但这个领域仍然面临一些需要解决的挑战。首先，群体特征的提取仍然是一个复杂的问题。群体行为往往涉及多个个体的交互，所以就需要有效的特征提取方法，如何从传感器数据中提取关键信息以描述整体行为仍然是一个具
技术实现思路
1、本专利技术的目的在于提供一种基于多级特征增强的传感器数据群体行为识别方法，既充分挖掘传感器数据信息，克服了群体特征表征困难的问题，同时通过对个体特征和群体特征进行多级增强，从而提高群体行为识别的正确性和鲁棒性，可有效对群体的时空信息进行特征表征。
2、为实现上述目的，本专利技术所采取的技术方案为：
3、一种基于多级特征增强的传感器数据群体行为识别方法，所述基于多级特征增强的传感器数据群体行为识别方法，包括：
4、步骤1、对于每个个体，通过滑动窗口对个体局部位置的传感器采集的连续传感器数据进行分割，分割后得到个体局部位置传感器数据，将同一个体不同局部位置传感器数据输入到个体特征提取网络中得到个体行为特征；
5、步骤2、对每个个体的位置数据进行预处理得到群体位置交互信息，对群体位置交互信息进行表征得到群体位置交互特征，融合个体的个体行为特征和群体位置交互特征得到该个体的个体行为增强特征，拼接群体中所有个体的个体行为增强特征得到群体行为特征；
6、步骤3、采用camlp-mixer网络构建时空级特征增强模块，采用时空级特征增强模块对所述群体行为特征进行增强，得到群体行为增强特征，然后通过一个全连接层对群体行为增强特征输出群体行为识别结果。
7、以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。
8、作为优选，所述个体特征提取网络包括时空图卷积网络以及双向长短期记忆神经网络，首先采用时空图卷积网络对不同局部位置传感器数据进行时间特征与空间特征的提取，得到局部个体行为特征，然后对同一个体不同局部位置的局部个体行为特征进行特征融合后，采用双向长短期记忆神经网络得到个体行为特征。
9、作为优选，所述时空图卷积网络采用图卷积网络进行空间特征提取，提取过程如下：
10、z1＝relu(conv2d(x·a)+down(x))
11、式中，z1为提取的空间特征，relu(·)表示relu激活函数，conv2d(·)表示2d卷积，x表示输入数据张量，a表示图卷积网络中的邻接矩阵，x·a表示输入数据张量x与邻接矩阵相乘a，down(·)表示下采样操作；
12、所述时空图卷积网络采用时间卷积网络进行时间特征提取，提取过程如下：
13、z2＝relu(conv1d(z1,1))
14、式中，z2为提取的时间特征，conv1d(z1,1)表示对空间特征z1进行1d卷积操作，且卷积核大小为1。
15、作为优选，所述对每个个体的位置数据进行预处理得到群体位置交互信息，包括：
16、对于单位时间步长，通过归一化操作将每个个体的位置数据转换为[0,1]标准范围内的值，得到归一化位置数据，然后对归一化位置数据进行缩放操作，得到缩放位置数据，然后将所有个体的缩放位置数据标记在特定规格的网格上，得到表示群体在一个时间步长的位置空间关系和位置分布情况的网格信息；
17、对所有时间步长中的位置数据进行处理，得到每一时间步长对应的网格信息，拼接所有时间步长的网格信息，得到群体位置交互信息。
18、作为优选，所述对群体位置交互信息进行表征得到群体位置交互特征，包括：
19、通过3d卷积神经网络对群体位置交互信息进行特征提取，再利用双向长短期记忆神经网络对3d卷积神经网络的输出进行建模，从而得到群体位置交互特征。
20、作为优选，所述融合个体的个体行为特征和群体位置交互特征得到该个体的个体行为增强特征，拼接群体中所有个体的个体行为增强特征得到群体行为特征，包括：
21、
22、
23、
24、
25、式中，表示第i个个体在进行融合时的权重矩阵，qi，ki，vi是和进行点积运算后再与对应的权重矩阵进行相乘的结果，dk为ki的维度大小，softmax是激活函数，表示第i个个体的个体行为特征，finter表示群体位置交互特征，表示ki的转置矩阵，f*为群体行为特征，n为种群中个体的总数。
26、作为优选，所述时空级特征增强模块包括多个级联的camlp-mixer网络，每一camlp-mixer网络的操作表示如下：
27、f＝x(e,ca(e))+e
28、式中，f为camlp-mixer网络的输出特征，x(·,·)表示按元素点乘操作，e表示mix操作结果，ca(·)表示通道注意力处理操作；
29、其中，所述mix操作结果的计算过程如下：
30、mix＝norm(σ((f*)twt1)wt2)
31、式中，mix为mix操作结果，norm(·)为norm函数，σ(·)表示relu激活函数，f*表示群体行为特征，wt1和wt2表示2层mlp操作；
32、其中，所述通道注意力处理操作的计算过程如下：
33、
34、
35、式中，xkj表示第k个通道对第j个通道的影响，对输入特征e分别进行线性变换得到特征图b，c，d本文档来自技高网...
【技术保护点】
1.一种基于多级特征增强的传感器数据群体行为识别方法，其特征在于，所述基于多级特征增强的传感器数据群体行为识别方法，包括：
2.根据权利要求1所述的基于多级特征增强的传感器数据群体行为识别方法，其特征在于，所述个体特征提取网络包括时空图卷积网络以及双向长短期记忆神经网络，首先采用时空图卷积网络对不同局部位置传感器数据进行时间特征与空间特征的提取，得到局部个体行为特征，然后对同一个体不同局部位置的局部个体行为特征进行特征融合后，采用双向长短期记忆神经网络得到个体行为特征。
3.根据权利要求2所述的基于多级特征增强的传感器数据群体行为识别方法，其特征在于，所述时空图卷积网络采用图卷积网络进行空间特征提取，提取过程如下：
4.根据权利要求1所述的基于多级特征增强的传感器数据群体行为识别方法，其特征在于，所述对每个个体的位置数据进行预处理得到群体位置交互信息，包括：
5.根据权利要求1所述的基于多级特征增强的传感器数据群体行为识别方法，其特征在于，所述对群体位置交互信息进行表征得到群体位置交互特征，包括：
6.根据权利要求1所述
7.根据权利要求1所述的基于多级特征增强的传感器数据群体行为识别方法，其特征在于，所述时空级特征增强模块包括多个级联的CAMLP-mixer网络，每一CAMLP-mixer网络的操作表示如下：
...【技术特征摘要】
1.一种基于多级特征增强的传感器数据群体行为识别方法，其特征在于，所述基于多级特征增强的传感器数据群体行为识别方法，包括：
2.根据权利要求1所述的基于多级特征增强的传感器数据群体行为识别方法，其特征在于，所述个体特征提取网络包括时空图卷积网络以及双向长短期记忆神经网络，首先采用时空图卷积网络对不同局部位置传感器数据进行时间特征与空间特征的提取，得到局部个体行为特征，然后对同一个体不同局部位置的局部个体行为特征进行特征融合后，采用双向长短期记忆神经网络得到个体行为特征。
3.根据权利要求2所述的基于多级特征增强的传感器数据群体行为识别方法，其特征在于，所述时空图卷积网络采用图卷积网络进行空间特征提取，提取过程如下：
4.根据权利要求1所述的基于多级特征增...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。