[發明專利]一種基于決策樹分類算法的精確行為識別方法

在審

• 申請號: 201911025926.5
• 申請日: 2019-10-25
• 公開（公告）號: CN110781961A
• 公開（公告）日: 2020-02-11
• 發明（設計）人: 張玉成;王振;姚永康;聶文都
• 申請（專利權）人: 西京學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;H04W4/029
• 代理公司: 11246 北京眾合誠成知識產權代理有限公司
• 代理人: 王學芝

1.一種基于決策樹分類算法的精確行為識別方法，其特征在于，包括以下步驟：

S1，數據收集：采用基于TDOA的Chan算法求解標簽位置；

S2，特征提取：特征值選擇、分區特征值區間；

S3，行為識別：建立用戶行為識別模型。

2.根據權利要求1所述的基于決策樹分類算法的精確行為識別方法，其特征在于，所述步驟S1具體包括：

選擇4個基站；在二維平面直角坐標系中，第i個基站的坐標為B_uwb,i＝[x_i,y_i]^T(i＝1,2,…,5)，標簽的坐標為T_uwb＝[x₀,y₀]^T，基站與標簽之間的非視線為R_i＝||B_uwb,i-T_uwb||₂(i＝1,2,…,5)；以第一個基站為公共參考節點，獲得一組TDOA觀測值Δt_i,1(i＝2,3,4,5)，指示第i基站和第一基站之間的信號到達時間差；

在此模型中，是Δt_i,1的真值，n_i,1由系統誤差測量，NLOS誤差為n_NLOS,i；

設信號傳播速度為c，并計算R_i,1從標記到第i個基站與第一基站距離之間的差值：

R_i,1＝c·Δt_i,1(i＝2,3,4,5) (2)

根據雙曲線特性建立三個雙曲方程R_i,1＝R_i-R₁(i＝2,3,4,5)，關于T_uwb可以如公式(3)所示建立；

采用4個基站標簽定位架構，以一個基站為主，其余3個均來自基站；當攜帶定位標簽的測試人員進入測試區域時，標簽發出的信號將由一個或多個傳感器接收；從發送到達角度和定時信息的傳感器解碼信號，然后將這些數據傳輸到主傳感器；主傳感器采集基站發送的所有信息，以計算標簽的位置信息，從而實現數據采集；然后傳感器通過交換機和服務器每秒傳輸數據，數據采用UDP數據包格式，服務器接收UDP數據包，可以獲取標簽特定的X、Y坐標信息。

3.根據權利要求1所述的基于決策樹分類算法的精確行為識別方法，其特征在于，所述步驟S2具體包括：

所述特征值選擇包括：位置劃分、頭肩腰膝高度處理、距離在頭肩腰部和膝關節單位時間內移動；

所述位置劃分包括：

在現實生活中，用戶的位置與用戶行為活動有一定的關系；空間位置分為三類：第一，用戶可以坐在躺著休息的地方；第二類是區域0.1～0.3米的距離，視對象而定，表示為Da；剩余空間是第三類，表示為La；

所述頭肩腰膝高度處理包括頭高、肩高、腰高、膝蓋高度；

用戶頭肩腰和膝關節的Z軸數據表示用戶空間的高度，直接從標簽坐標讀取；

所述距離在頭肩腰部和膝關節單位時間內移動包括頭部距離肩距離腰圍膝蓋距離；

在單位時間內直接計算用戶頭肩腰部與膝關節的距離是難以實現的，主要是因為單位時間難以確定；數值過大影響位移計算結果不能準確描述用戶行為，導致用戶行為識別誤差精度降低；值過小會因延遲開銷導致計算量大而增加；經過多次實驗，得出了稱重正確率和操作延時的最佳單位時間為LS；

所述分區特征值區間包括：

在確定上述特征值后，必須確定分類邊界，以確保數據之間的相似性和類別內、類別之間的差異；結合實驗，采用分層分類的方法對其進行處理；分類側重于如何確定每個級別的邊界；目前確定邊界值是兩種算法：長度等價法和分布式等價法；

設特征值范圍φ＝[c_min,c_max]分為N個級別，級別標簽為1～N；從值范圍φ＝[c_min,c_max]可以得到傳感器值范圍為R＝c_max-c_min；以確保區域內每個區間的長度相同；然后通過計算得到每個區間的長度為r＝R/N；因此，能確定每個區間的值范圍。

4.根據權利要求1所述的基于決策樹分類算法的精確行為識別方法，其特征在于，所述步驟S3具體包括：

設D是訓練元組按類別劃分，則D的熵表示為：

其中，p_i表示i第i個類別出現在整個訓練元組中的概率，可以通過將屬于該類別的元素個數除以訓練元組中的元素總數來估計；熵的實際含義表示D中元組類標記所需的平均信息量；

設訓練元組D除以屬性A，則D分區的預期信息為：

信息增量是它們之間的差異：

gain(A)＝info(D)-info_A(D) (6)

建立用戶行為識別模型；具體行為識別步驟如下：

S31，根據訓練數據集對各種行為的分類收集，將訓練元組分為訓練組的熵info(D)；

S32，從數據預處理中提取位置高度特征值，計算特征值區間并劃分特征值；

S33，通過步驟2預期之前得到關于分區特征值的信息gain(A)；

S34，由于期望信息差導致信息增量之間的差異；

當達到輸出的最大值時，將記住最大增益為最大內存；然后增量信息是相應的行為信息。