资源描述
单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,体域网中基于时空相关性的动作识别算法研究,LOGO,目录,1,.,论文,内容,2.,实验过程,3.,实验结果,4.,分类方法,论文,内容,1,1,),求解稀疏系数,利用时空稀疏贝叶斯学习框架,求解压缩信号在训练字典中的稀疏系数表示。,2),分类,利用SRC分类算法和求解的稀疏系数进行分类。,实验过程,2,对训练数据归一化,产生随机测量矩阵,获取样本数和分类数,压缩信号,利用STSBL求解稀疏系数,利用稀疏系数计算残差,计算最小残差,分类结果,计算分类误差,算法流程如下:,实验结果,3,利用SRC进行分类得到的相对误差如下表:,有上表看出使用SRC分类算法,分类效果并不像预期中那样好。,下图为不同动作的稀疏系数表示:,测试样本,1,2,3,4,5,6,7,8,9,10,11,12,13,分类误差,0.4077,0.,6,231,0.,5,692,0.,4,077,0,.4,538,0.7077,0.4615,0.6154,0.6308,0.5846,0.6462,0.5538,0.4308,测试数据为动作1的稀疏系数,测试数据为动作13的稀疏系数,不同压缩比信号恢复情况不同,压缩比为0.1,压缩比为0.3,压缩比为0.5,分类算法,3,由于SRC分类算法,分类效果并不是很好,所以考虑修改分类算法,由于信号恢复的效果不错,考虑是否能利用恢复后的信号进行分类。,利用求解得到的稀疏系数,还原信号,进行分类。,在同一类训练样本中寻找残差最小的样本,然后比较不同动作的最小残差,得出动作种类。下面是分类相对误差:,平均相对误差0.17左右,下一步打算考虑使用SVM对数据进行分类。,测试样本,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,分类误差,0.2,0.,5,0.,5,0.,06,0,.04,0.,26,0.,27,0.,2,0.,09,0.,13,0.,04,0.,04,0.,2,0.13,0.25,0.1,0.04,0.3,0.13,0.13,报告完毕,请指正,LOGO,
展开阅读全文