1

我正在我的智能设备上实施 k-最近邻算法，以便从识别数据中识别人类活动。我将解释我将如何实现它。你们能否建议我对我正在采取的步骤进行任何改进，并回答我在途中可能会问的任何问题？

这些是步骤：

  1. 我下载了一个带标签的数据集，其中包括来自加速度计的三轴加速度以及描述活动的标签。我将在这个数据集中选择一些我希望识别的活动（在我的例子中是步行、坐着、站立）的数据。
  2. 然后，我将从数据集中的加速度计数据的每个窗口（即从包含加速度计数据的 128 个读数的数据集中的每条记录）中提取特征（在我的情况下，从幅度加速度的平均值、最小值、最大值、标准偏差）和我将以 JSON 格式将这些特征与窗口标签（作为一条记录）一起存储在设备上的文本文件中。因此，训练数据集中的一个记录/样本将包括：平均值、最小值、最大值、标准差和一个标签
  3. 在分类步骤中，从收集的数据中，我还将有一个加速度计数据窗口，从中提取上述 4 个特征。因此，我需要将收集到的数据的 4 个特征与训练数据中的每个样本进行比较。我应该如何找到它们之间的相似性，因为一条记录将包含 4 个特征？

作为第 (3) 点问题的解决方案，我正在考虑通过计算每个特征之间的差异来获取每个特征的 k 最近邻，然后从每个特征中挑选出大多数。请问你怎么看？你能提出任何优化吗？谢谢 ：）

4

2 回答 2

1

相当有趣和有趣的应用程序！;-)

好吧，其中一个问题当然是知道何时开始和停止计算这些功能，但我想你已经有了一些解决方案（固定时间窗口，或按钮......）。你当然可以使用 knn 分类器来做到这一点，但这肯定不是我的首选，因为它对异常值非常敏感（如果你的测量在一次训练中搞砸了，它将永远影响你的下一个分类） . 所以我宁愿选择高斯模型：

  1. 为每个活动记录大约 10 到 20 个示例（即，4 个值的向量）
  2. 计算每个活动的平均向量和对角协方差矩阵
  3. 在测试时，您计算新观察向量由三个高斯模型之一生成的高斯似然性，然后选择似然性最大的活动。
于 2014-02-14T16:12:22.083 回答
0

我会以不同的方式处理这个问题。我会在更长的时间内（比如 1 周）采集大量样本，然后在其中找到集群。之后，只要当前测量值接近其中一个集群，用户就可以标记这些集群。集群的数量应该限制在几个活动中，以便用户只需要标记几个集群。

缺点：

  • 需要来自用户的训练数据/没有即时满足感。
  • 实现起来比较复杂。

优点：

  • 为用户定制。
  • 不受外部/非个人培训数据的限制。
  • 使用其他数据（光/温度/GPS/时间/声音/相机）。
  • 可能更准确。
  • 算法的连续重新训练是可能的。
  • 随着更多数据的可用，准确性会随着时间的推移而提高。
  • 可以将标记数据上传到中央服务器并在应用程序的未来版本中使用。
于 2014-02-17T11:13:20.793 回答