|
3.2 实验设计及结果分析
为了验证多分类器融合的行为识别模型的有效性，本文首先将特征数据集T划分为五组，训练出5个采用SVM算法的基分类器和5个采用决策树算法的基分类器，然后将各基分类器的测试结果和融合后的测试结果进行对比分析。
（1）数据集划分
将特征数据集T随机分为三个人一组，共五组数据，每组数据都包含了五种行为。训练基分类器时，根据以下方式将特征数据集再细分为训练集和测试集：第一种，是分别提取每组数据中每一种行为的前一半作为训练集，而剩下的一半作为测试集；第二种，是每组的全部数据作为训练集，第五组数据作为测试集；第三种，是取每组数据的奇数行作为训练集，偶数行作为测试集。
每种数据分组方式都将分别训练出5个采用SVM算法的基分类器（ClassifierS1～ClassifierS5）和5个采用决策树算法的基分类器（ClassifierD1～ClassifierD5）。
（2）基分类器与多分类器融合的行为识别结果分析
按照上述三种方式将特征数据集划分为不同的分组后，在 MATLAB中分别训练决策树和支持向量机的基分类器模型，并采用对应的测试集作为输入数据来测试基分类器。将上述基分类器的行为识别结果根据多数投票法进行融合处理，得到多分类器融合的行为识别结果。对上述识别结果进行比较，其识别准确率如表2所示。
表2中，从12个基分类器的行为识别结果来看，由于不同用户的行为差异较大，因此第二种数据分组方式中，分别采用其他组的数据（第五组除外）来训练基分类器而用第五组数据来测试时，不论是采用SVM还是决策树分类算法，行为识别的准确率都比较低。三种数据分组凡是相比，第三种分组方式的行为识别准确率较高。
总的来说，不论采用哪种数据分组方式，多分类器融合的行为识别模型结合了各个基分类器的优点，其行为识别准确率比单个基分类器的识别准确率高，在第三种数据分组方式中，行为识别准确率最高提高了25.99%。
4 结论
为了提高移动用户行为识别的准确率，本文提出了一种基于多分类器融合的行为识别模型。本文将特征数据集按照三种不同的方式分别划分为训练集和测试集，采用SVM算法和决策树算法分别训练基分类器，并对各基分类器和多分类器融合后的行为识别结果进行了对比分析。实验结果证明，多分类器融合的行为识别模型能够提高行为识别的准确率，最高达25.99%，充分验证了改模型的有效性。
【参考文献】
[1]Zhang B，De Natale F G B，Conci N.Recogition of social interactions based on featureselection from visual codebooks[C]//Image Processing，2013 20th IEEE International Conference on， 2013： 3557-3561.
[2]赵海勇，贾保先.基于轮廓特征的人体行为识别[J].计算机科学，2013，40（2）：312-315.
[3]谢立东.基于分层方法的复杂人体行为识别研究[D].厦门：厦门大学，2014.
[4]范琳，王忠民.穿戴位置无关的手机用户行为识别模型[J].计算机应用研究， 2015，32（1）：63-66.
[5]王忠民，王斌.多频段时域分解的行为识别特征优选[J].计算机应用研究， 2015，32. 2/2 首页 上一页 1 2 |
