基于多模融合的半监督场景识别方法

论文摘要

场景识别是普适计算中的一项重要研究内容,旨在通过识别智能手机用户所在位置的场景,为用户提供精准的个性化服务并提升服务的质量。在实际环境中,精确的场景识别存在两个问题:（1）基于单模传感器数据或无线信号数据的分类效果不佳、普适性不足;（2）场景识别的精度需要依赖大量标定数据,导致成本较高。针对这些问题,提出一种基于多模融合的半监督场景识别方法,该方法充分利用Wi-Fi、蓝牙和传感器的多模特征来提高识别精度。相比基于单模数据的识别,融合特征将静态场景的分类精度提升了10%,并且本文通过构建半监督的学习方法解决了动态场景中数据采集成本高的问题,在将标定数据量减少一半的基础上将识别精度提高至90%以上。实验数据表明,在利用Wi-Fi、蓝牙、传感器的互补优势的基础上,引入半监督的学习方法能够提升场景识别的精确度且降低在某些场景下采集数据的成本,从而有效地提升了场景识别的精度和普适性。

论文目录

• 1 前言
• 2 数据处理与特征提取
•   2.1 异常数据的处理
•   2.2 缺失数据的处理
•   2.3 特征提取
•     （1）Wi-Fi mac的个数dMaci
•     （2）Wi-Fi信号强度的均值
•     （3）Wi-Fi信号强度的标准差
•     （4）Wi-Fi mac的变化率
• 3 动静态场景的二分类
• 4 静态场景的细分类
• 5 动态场景的细分类
•   5.1 极速学习机
•   5.2 半监督极速学习机（SS -ELM学习机）
•   5.3 基于融合特征的半监督方法
• 6 实验与验证分析
•   6.1 融合特征的有效性证明
•   6.2 标定数据量对分类识别效果的影响
•   6.3 半监督与其他分类算法的比较

文章来源

类型: 期刊论文

作者: 沈鸿,刘军发,陈益强,蒋鑫龙,黄正宇

关键词: 场景识别,蓝牙,多模融合,半监督学习

来源: 计算机科学 2019年12期

年度: 2019

分类: 信息科技

专业: 电信技术,自动化技术

单位: 中国科学院大学,中国科学院计算技术研究所泛在计算系统研究中心,北京市移动计算与新型终端重点实验室

基金: 国家自然科学基金面上项目(61572004,61472399,61572471)资助

分类号: TN92;TP212

页码: 306-312

总页数: 7

文件大小: 1041K

下载量: 151