基于隨機(jī)森林算法的多維情境特征活動識別

劉克強(qiáng)，汪云甲，陳銳志，褚天行

(1. 中國礦業(yè)大學(xué)環(huán)境與測繪學(xué)院，江蘇 徐州 221116； 2. 武漢大學(xué)測繪遙感信息工程國家重點實驗室，湖北 武漢 430079； 3. 德州農(nóng)工大學(xué)科普斯分校地理空間計算實驗室，美國 德州 科普斯 TX78412)

?

基于隨機(jī)森林算法的多維情境特征活動識別

劉克強(qiáng)1,2，汪云甲1，陳銳志2，褚天行3

(1. 中國礦業(yè)大學(xué)環(huán)境與測繪學(xué)院，江蘇 徐州 221116； 2. 武漢大學(xué)測繪遙感信息工程國家重點實驗室，湖北 武漢 430079； 3. 德州農(nóng)工大學(xué)科普斯分校地理空間計算實驗室，美國 德州 科普斯 TX78412)

利用智能手機(jī)傳感器可感知時間、空間、時空和用戶等多維情境的特征，可識別用戶活動，但原框架模型中僅利用了單一分類器中的樸素貝葉斯算法，存在分類精度效果受限的問題。本文利用集成分類器中的隨機(jī)森林算法對原有框架中的單一分類器進(jìn)行了改進(jìn)。在獲取的3個數(shù)據(jù)集上的十倍交叉驗證結(jié)果表明，加權(quán)平均F1量測值均有較大提高，表明利用隨機(jī)森林算法在分類精度效果上有所提升；但由于集成算法結(jié)構(gòu)相對復(fù)雜，其學(xué)習(xí)效率相對較低。此外，隨機(jī)森林算法的分類混淆矩陣表明，導(dǎo)致識別誤差的因素主要為活動的定義與室內(nèi)定位精度。

活動識別；情境感知；機(jī)器學(xué)習(xí)；隨機(jī)森林；手機(jī)傳感器

智能手機(jī)以其出色的用戶體驗、低廉的價格、日益豐富的傳感器系統(tǒng)(如GNSS接收機(jī)、加速度計、陀螺儀、磁力計、氣壓計等)，以及持續(xù)增強(qiáng)的運算和續(xù)航能力，已經(jīng)成為無縫運算和智能服務(wù)的理想平臺，而基于智能手機(jī)平臺的活動識別[1-2]，則是提供智能服務(wù)的重要研究內(nèi)容。一般情況下，該研究的處理過程主要包括傳感器原始數(shù)據(jù)收集、數(shù)據(jù)預(yù)處理、特征提取、模型訓(xùn)練和學(xué)習(xí)、模型測試或活動識別等步驟[3]。其中，特征提取是對預(yù)處理后的數(shù)據(jù)進(jìn)行特征計算，主要是提取統(tǒng)計特征或結(jié)構(gòu)特征。由于智能手機(jī)用戶的情境特征信息與用戶的時間、空間及環(huán)境特征高度相關(guān)，陳銳志等將用戶所處在的情境環(huán)境信息歸納為時間情境、空間情境、時空情境和用戶情境等多維情境特征，提出了一種新的特征提取框架，并基于上述框架，利用樸素貝葉斯分類器，對復(fù)雜的人類活動進(jìn)行識別[4]。

近年來，在一般的特征提取方式下，很多學(xué)者利用集成分類器中的隨機(jī)森林算法進(jìn)行活動識別研究[5-8]。如Coskun等基于不同放置位置的智能手機(jī)加速度計傳感器數(shù)據(jù)，并利用隨機(jī)森林算法識別人類活動，同時利用識別結(jié)果識別手機(jī)放置位置和姿態(tài)；Dash等在對比多個分類算法后選擇隨機(jī)森林算法進(jìn)行基于智能手機(jī)加速度傳感器的活動識別；Guo等提出了一種自學(xué)習(xí)的方法并將智能手機(jī)傳感器應(yīng)用在醫(yī)療檢測領(lǐng)域中，對病人的活動進(jìn)行識別，其中已標(biāo)記活動的分類算法為隨機(jī)森林算法。周博翔等提出了一種蜜蜂交配優(yōu)化的隨機(jī)森林算法，并將該算法應(yīng)用于基于加速度傳感器的人體姿態(tài)識別。然而，在多維情境特征框架下，文獻(xiàn)[4]僅利用了單一的樸素貝葉斯分類器，其分類精度效果存在局限。為了提升多維情境特征框架下的分類效果，本文擬利用集成分類器中的隨機(jī)森林算法對提升活動識別精度效果進(jìn)行研究。

1 多維情境特征框架

活動識別技術(shù)的系統(tǒng)輸入數(shù)據(jù)是傳感器的原始感知數(shù)據(jù)，系統(tǒng)輸出是根據(jù)數(shù)據(jù)識別或識別的相關(guān)人類活動。根據(jù)對基于智能手機(jī)平臺人類活動識別的總結(jié)，一般的數(shù)據(jù)處理過程主要包括傳感器原始數(shù)據(jù)收集、數(shù)據(jù)預(yù)處理、特征提取、模型訓(xùn)練和學(xué)習(xí)、模型測試或活動識別5個步驟，其數(shù)據(jù)處理步驟如圖1所示。其中，數(shù)據(jù)收集過程主要是記錄不同傳感器的離散時間數(shù)據(jù)；數(shù)據(jù)預(yù)處理主要是去噪和數(shù)據(jù)分割；特征提取是對已分割的數(shù)據(jù)進(jìn)行特征計算，即提取統(tǒng)計特征或結(jié)構(gòu)特征，如提取分割時間段內(nèi)傳感器數(shù)據(jù)的數(shù)字特征(如加速度均值、方差)或頻域特征(如頻譜特征)等，另外，對冗余特征進(jìn)行維度約減也是特征提取的一部分，如利用主成分分析、線性判別分析算法進(jìn)行的降維運算；特征提取后，選擇相關(guān)數(shù)據(jù)集，以及相應(yīng)的機(jī)器學(xué)習(xí)算法并設(shè)置參數(shù)，進(jìn)行相應(yīng)的模型訓(xùn)練和活動識別。

如前文所述，一般特征提取方式是對已分割的數(shù)據(jù)計算統(tǒng)計特征或結(jié)構(gòu)特征，與此不同，文獻(xiàn)[4]提出了一種新的特征提取框架，即提取用戶的多維情境特征，并基于該框架來識別人類活動。在該框架中，用戶所處在的情境環(huán)境信息被歸納為時間情境、空間情境、時空情境和用戶情境。圖2為多維情境特征人類活動識別框架，其中用戶情境用于用戶相關(guān)的情境信息定義，如用戶的移動特征(如靜止、走動及開車等)、用戶的環(huán)境特征(如光照條件、噪聲水平及氣象條件等)、用戶的心理特征(如疲勞程度、激動程度及緊張程度等)和用戶的社交特征(如是否正在打電話、發(fā)短信等)。為了驗證框架的有效性，文獻(xiàn)[4]根據(jù)校園生活，選擇了包括“工作”“開會”“吃飯”“喝咖啡”“等公交”及“上課”的6種活動進(jìn)行識別，并將未能歸類到上述活動的活動歸類為“未定義的活動”。

圖1 基于智能手機(jī)平臺的人類活動識別數(shù)據(jù)處理過程

圖2 多維情境特征人類活動識別框架

表1為文獻(xiàn)[4]中各類情境特征的具體描述和量化操作，需要指出的是，時空情境反映了用戶在某個位置的停留時長，該特征反映了所在位置的停留時長對活動識別的影響，表中的量化指標(biāo)是根據(jù)經(jīng)驗設(shè)定的，同時，用戶情境僅參考于用戶的運動特征，其量化規(guī)則也是根據(jù)一般的活動經(jīng)驗來給定。

表1 各類情境特征具體定義方式

在智能手機(jī)平臺中，上述情境特征以時間序列方式產(chǎn)生，即在每個采樣點可獲得一個情境數(shù)組，定義為：[時間情境，空間情境，時空情境，用戶情境]。獲得上述情境特征時間序列后，再利用機(jī)器學(xué)習(xí)算法學(xué)習(xí)特征與活動之間的關(guān)系模型，在新數(shù)據(jù)到達(dá)時，即可利用所習(xí)得的模型進(jìn)行活動識別。文獻(xiàn)[4]中利用的是機(jī)器學(xué)習(xí)中的樸素貝葉斯算法，即條件概率p(活動|給定情境數(shù)組)可由如下公式獲得

(1)

(2)

(3)

式中，a為識別結(jié)果；ak為任一定義的活動；na為定義的活動集中的活動數(shù)；c為情境特征數(shù)組；d為情境特征數(shù)組的維度。

文獻(xiàn)[4]在樸素貝葉斯算法下對比了多維情境與單維空間情境分類結(jié)果，以及經(jīng)驗?zāi)Ｐ团c學(xué)習(xí)后模型的分類結(jié)果，結(jié)果表明多維情境特征分類效果優(yōu)于單維空間情境，學(xué)習(xí)后模型分類效果也優(yōu)于僅憑經(jīng)驗設(shè)定參數(shù)的模型。

2 隨機(jī)森林算法

監(jiān)督學(xué)習(xí)中的分類算法較多，常用的包括貝葉斯、決策樹、支持向量機(jī)、對數(shù)幾率回歸、人工神經(jīng)網(wǎng)絡(luò)等。為了增強(qiáng)單一分類器的性能，集成多個分類算法的思想被提出，主要思路是利用多個基分類算法進(jìn)行分類，并綜合所有分類結(jié)果形成一個最終的結(jié)果，這種方式可以提高分類算法的泛化能力，改善分類效果。集成分類算法也包含多種，如裝袋(bagging)、提升(boosting)和隨機(jī)森林。隨機(jī)決策森林概念于1995年被Tin Kam Ho提出[9]，隨后他又提出隨機(jī)子空間的集成方法；而最終的隨機(jī)森林算法被Leo Breiman在2001年進(jìn)行了系統(tǒng)的闡述[10]，從而正式成為分類算法的重要組成部分，由于其出色的分類性能，已經(jīng)得到廣泛應(yīng)用，如遙感影像分類[11]。

隨機(jī)森林算法的計算過程為：先通過bootstrap重采樣技術(shù)，從原始訓(xùn)練樣本集N中有放回地重復(fù)隨機(jī)抽取k個樣本構(gòu)造新的訓(xùn)練樣本集合；然后根據(jù)樣本集生成k個決策樹，由這些決策樹組成隨機(jī)森林，而新輸入數(shù)據(jù)的分類結(jié)果按這些決策樹的投票結(jié)果而定。其中，在決策樹訓(xùn)練過程中進(jìn)一步引入隨機(jī)屬性選擇，傳統(tǒng)決策樹在選擇劃分屬性時是在當(dāng)前節(jié)點的d個屬性中選擇一個最優(yōu)屬性；而隨機(jī)森林中對每個基決策樹屬性先從d個屬性選擇一個包含d′個屬性的子集，再從該子集中選擇一個最優(yōu)屬性，通常d′取值為log2d。隨機(jī)森林算法通過構(gòu)造不同的訓(xùn)練集來增加分類模型間的差異，從而提高組合分類模型的外推預(yù)測能力，通過k輪訓(xùn)練，算法得到一個分類模型序列

{f1(x),f2(x),…,fk(x)}

(4)

由式(4)序列組成一個分類模型系統(tǒng)，該系統(tǒng)最終的分類結(jié)果采用簡單多數(shù)投票法，即

(5)

式中，F(xiàn)(x)表示組合分類模型；fi(x)是單個決策樹分類模型；y表示輸出變量；I(x)為示性函數(shù)。

隨機(jī)森林中每一棵樹的建立依賴于一個獨立樣本，每一棵樹都具有相同的分布，分類誤差取決于每一棵樹的分類能力和它們之間的相關(guān)性。單棵樹的分類能力可能很小，但在隨機(jī)產(chǎn)生大量的決策樹后，測試樣本可以統(tǒng)計每一棵樹的分類結(jié)果，然后投票選擇最可能的分類，從而提升整體的分類能力。

3 試驗與結(jié)果

本文通過獨立開發(fā)的Android平臺應(yīng)用程序收集數(shù)據(jù)，該程序可獲取傳感器源數(shù)據(jù)，并提取情境特征數(shù)據(jù)保存至手機(jī)本地，最后將數(shù)據(jù)導(dǎo)入PC計算機(jī)進(jìn)行處理、分析及評價。

圖3為Android應(yīng)用程序界面截圖與該應(yīng)用程序中各類情境特征的具體獲取過程：①時間情境由系統(tǒng)時鐘提供的本地時刻標(biāo)簽標(biāo)記；②由于空間情境由用戶當(dāng)前位置及一些與活動相關(guān)的位置區(qū)域關(guān)系構(gòu)成，因此需要獲取用戶當(dāng)前位置并進(jìn)行判定，其中用戶當(dāng)前位置由基于智能手機(jī)多傳感器(包括GPS接收機(jī)、加速度計、陀螺儀、磁場傳感器及WiFi模塊)數(shù)據(jù)和無味卡爾曼濾波(unscented kalman filter，UKF)數(shù)據(jù)融合算法的實時無縫室內(nèi)外定位引擎獲得，而位置區(qū)域包括與用戶相關(guān)的辦公室、會議室或教室等符號位置，它們由地理空間柵欄定義，可以是一個由地理空間位置為圓心的圓或多邊形組成的感興趣區(qū)域(region of interest，ROI)，如圖3中的線框；③時空情境是在上述未知區(qū)域中的停留時長，實際操作中由系統(tǒng)時鐘針對每一個用戶定義的位置區(qū)域提供一定長度的時長緩沖區(qū)，通過對每個緩沖區(qū)計數(shù)從而產(chǎn)生各個位置的時空情境數(shù)據(jù)；④用戶情境在本文中僅考慮用戶的運動狀態(tài)。

圖3 數(shù)據(jù)獲取Android應(yīng)用程序截圖與多維情境特征獲取過程

上述應(yīng)用程序中，數(shù)據(jù)更新周期為1 s，即每1 s可獲取一組多維情境特征，而活動的真實標(biāo)記由測試者在應(yīng)用程序上人為進(jìn)行標(biāo)記。試驗選取美國德州農(nóng)工大學(xué)科普斯分校校園為試驗區(qū)域，試驗場景為校園生活活動識別，參照文獻(xiàn)[4]對活動的選擇，對工作、開會、吃飯、喝咖啡、等公交、上課、未定義7類活動展開識別，分別標(biāo)記為0～6。3位測試者持不同型號的手機(jī)參加測試并標(biāo)記活動，通過一周5個工作日的情境特征數(shù)據(jù)記錄與活動標(biāo)記，最終獲得的數(shù)據(jù)見表2。

表2 數(shù)據(jù)收集說明及總數(shù)據(jù)量

試驗采用新西蘭懷卡托大學(xué)發(fā)布的開源數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)測試平臺Weka[12]進(jìn)行分析，對比測試了樸素貝葉斯算法和隨機(jī)森林算法的分類性能，其中隨機(jī)森林算法中隨機(jī)生成決策樹個數(shù)k=100，原始屬性個數(shù)d=4，屬性子集選擇取值為log2d+1=3。在機(jī)器學(xué)習(xí)分析中，若無獨立測試集，則需要將數(shù)據(jù)集按比例分割成訓(xùn)練集與測試集，但由于分割的隨機(jī)性，可能會產(chǎn)生過擬合與欠擬合問題，為了避免這些問題并充分利用試驗數(shù)據(jù)，本試驗采用十倍交叉驗證方法對數(shù)據(jù)進(jìn)行分析。十倍交叉驗證即將數(shù)據(jù)集隨機(jī)分割成10個子集，并利用9個子集訓(xùn)練和1個子集測試的方式，分別對10個子集進(jìn)行10次測試，最終對獲得的10個測試結(jié)果取平均值作為最終的結(jié)果?？紤]到分類結(jié)果的查準(zhǔn)率(precision)與查全率(recall)，本文選取二者的調(diào)和平均數(shù)F1量測(F1 measure)作為分類精度效果評價指標(biāo)，而由于各類別間的實例數(shù)量不均衡，試驗最終選取按各類別實例數(shù)加權(quán)后的F1量測為最終評價指標(biāo)。除此之外，試驗還同時統(tǒng)計了兩種分類算法在各子集上的訓(xùn)練時長和測試時長。

圖4反映了十倍交叉驗證后樸素貝葉斯算法和隨機(jī)森林算法在3個數(shù)據(jù)集上的加權(quán)平均F1量測的結(jié)果。由圖可知，在各數(shù)據(jù)集上利用隨機(jī)森林算法的加權(quán)平均F1量測值均大于利用樸素貝葉斯算法的值，其中3個數(shù)據(jù)集加權(quán)F1量測的均值在利用隨機(jī)森林算法時的結(jié)果(0.93)優(yōu)于在利用樸素貝葉斯算法時的結(jié)果(0.87)。表3展示了兩種算法的訓(xùn)練時長和測試時長，可以看出在訓(xùn)練時間方面，3個測試集利用隨機(jī)森林算法的平均時間消耗(58.88 s)遠(yuǎn)大于樸素貝葉斯算法(0.07 s)，而在測試時間方面，隨機(jī)森林算法結(jié)果(0.74 s)與樸素貝葉斯算法結(jié)果(0.15 s)差距并不是很明顯。

圖4 樸素貝葉斯和隨機(jī)森林在3個數(shù)據(jù)集上的加權(quán)平均F1量測值

表3 樸素貝葉斯和隨機(jī)森林在3個數(shù)據(jù)集上的訓(xùn)練時長和測試時長 s

圖5反映了在利用隨機(jī)森林算法條件下，3個測試集歸一化后的分類混淆矩陣。從3幅圖中同時可以看出，主要的分類誤差集中在第7行和第7列，即明確定義的活動類別與未定義的活動類別之間。而從測試者2和測試3的混淆矩陣結(jié)果可以發(fā)現(xiàn)標(biāo)記為1的活動(開會)與被識別為標(biāo)記為0的活動(工作)的誤差較大。

圖5 隨機(jī)森林算法在3個數(shù)據(jù)集上歸一化后的分類混淆矩陣

從上述分類精度效果和分類效率來看，隨機(jī)森林算法相對于原有樸素貝葉斯算法在分類精度效果上有較大改善，但算法的訓(xùn)練效率和測試效率不如后者。算法效率是由算法結(jié)構(gòu)決定的，樸素貝葉斯算法在學(xué)習(xí)時僅做一些類別的統(tǒng)計工作，以給出分類時所需的先驗概率和條件概率，在分類時根據(jù)輸入的數(shù)據(jù)給出概率估計即可判定類別；而隨機(jī)森林算法在學(xué)習(xí)時則需要生成多個不同的樹，在進(jìn)行分類時需要進(jìn)行投票統(tǒng)計以獲得最優(yōu)，尤其是學(xué)習(xí)階段，需要消耗較長時間。

從基于隨機(jī)森林算法分類的混淆矩陣來看，分類誤差主要發(fā)生在類別明確的活動(如工作、開會)和未定義的活動之間，此類誤差主要是由活動定義造成的，如在本文的活動定義下，辦公室內(nèi)有可能進(jìn)行的是工作和未定義活動。測試者2和測試者3在標(biāo)記為0的活動(工作)和1的活動(開會)之間的誤差，主要是由室內(nèi)定位引擎的定位誤差導(dǎo)致的，測試者2和測試者3的辦公室和會議室均只有一墻之隔，室內(nèi)定位的誤差導(dǎo)致位置判定錯誤，直接影響活動識別的效果，而測試者1的定位效果較好，因此各類均得到了較高的分類精度。

4 結(jié) 語

將用戶所處在的情境環(huán)境信息歸納為時間情境、空間情境、時空情境和用戶情境等多維情境特征，綜合利用多維情境特征并利用機(jī)器學(xué)習(xí)的方法識別人類活動，有利于推動從基于位置的服務(wù)邁向基于情境的服務(wù)。原有的多維情境特征框架中利用的是單一分類器樸素貝葉斯算法，該算法簡單有效，但分類精度效果存在局限性，本文利用組合分類算法中的隨機(jī)森林算法對其進(jìn)行改進(jìn)，十倍交叉驗證結(jié)果表明分類精度效果有較大提升，但同時也發(fā)現(xiàn)由于隨機(jī)森林算法結(jié)構(gòu)相對復(fù)雜導(dǎo)致其訓(xùn)練效率相對較低的問題。此外，通過對隨機(jī)森林分類效果的混淆矩陣分析，可見分類誤差主要是由明確定義的活動和未明確定義的活動造成的，而定位引擎的定位精度也會對最終的活動分類產(chǎn)生較大影響。

[1] LARA O D, LABRADOR M A. A Survey on Human Activity Recognition Using Wearable Sensors[J]. IEEE Communications Surveys & Tutorials, 2013, 15(3):1192-1209.

[2] INCEL O D, KOSE M, ERSOY C. A Review and Taxonomy of Activity Recognition on Mobile Phones[J]. BioNanoScience, 2013, 3(2): 145-171.

[3] SU X, TONG H, JI P. Activity Recognition with Smartphone Sensors[J]. Tsinghua Science and Technology, 2014, 19(3): 235-249.

[4] CHEN R, CHU T, LIU K, et al. Inferring Human Activity in Mobile Devices by Computing Multiple Contexts [J]. Sensors, 2015, 15(9): 21219-21238.

[5] COSKUN D, INCEL O D, OZGOVDE A. Phone Position/Placement Detection Using Accelerometer: Impact on Activity Recognition[C]∥IEEE Tenth International Conference on Intelligent Sensors, Sensor Networks and Information Processing. [S.l.]：IEEE, 2015:1-6.

[6] DASH Y, KUMAR S, PATLE V K. A Novel Data Mining Scheme for Smartphone Activity Recognition by Accelerometer Sensor [C]∥Proceedings of the 4th International Conference on Frontiers in Intelligent Computing: Theory and Applications (FICTA) 2015.[S.l.]:Springer India, 2016.

[7] GUO J, ZHOU X, SUN Y, et al. Smartphone-based Patients’ Activity Recognition by Using a Self-learning Scheme for Medical Monitoring [J]. Journal of medical systems, 2016, 40(6)：1-14.

[8] 周博翔,李平,李蓮.改進(jìn)隨機(jī)森林及其在人體姿態(tài)識別中的應(yīng)用[J].計算機(jī)工程與應(yīng)用,2015, 51(16): 86-92.

[9] HO T K. Random Decision Forests [C]∥International Conference on Document Analysis and Recognition. [S.l.]:IEEE, 1995:278-282.

[10] BREIMAN L. Random Forests [J]. Machine learning, 2001, 45(1): 5-32.

[11] 郭玉寶, 池天河, 彭玲,等. 利用隨機(jī)森林的高分一號遙感數(shù)據(jù)進(jìn)行城市用地分類[J]. 測繪通報, 2016(5):73-76.

[12] HALL M, FRANK E, HOLMES G, et al. The Weka Data Mining Software: An Update [J]. ACM SIGKDD Explorations Newsletter, 2009, 11(1): 10-18.

Research on Human Activity Recognition with Multiple Contexts by Using Random Forest

LIU Keqiang1,2,WANG Yunjia1,CHEN Ruizhi2,CHU Tianxing3

(1. School of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China; 2. State Key Labortatory of Information Engnineering in Surveying, Mapping,and Remote Sensing, Wuhan University, Wuhan 430079, China; 3. Conrad Blucher Institute for Surveying & Science, Texas A&M University Corpus Christi, Corpus Christi, TX 78412 USA)

Previous research has verified the effectiveness of a method which utilizes multiple contexts including temporal, spatial, spatiotemporal and user from smartphone sensors to recognize human activities. But it has limitation in classification accuracy performance when recognizing human activity on smartphones by using na?ve Bayes. This paper presents an improving research work on recognizing activity by utilizing a random forest algorithm in ensemble learning instead of original na?ve Bayes under the same framework. The result of a ten-fold cross-validation experiment on three subjects’ datasets shows that the weighted average F1 measures are improved by using random forest. However, the training time efficiency measures are worse than naive Bayes because of the complex structure of random forest. Meanwhile, the confusion matrix shows that the main factors for classification error are activity definition and indoor positioning error.

activity recognition; context awareness; machine learning; random forest; smartphone sensors

劉克強(qiáng)，汪云甲，陳銳志，等.基于隨機(jī)森林算法的多維情境特征活動識別[J].測繪通報，2017(7)：29-33.

10.13474/j.cnki.11-2246.2017.0218.

2016-11-28

國家重點研發(fā)計劃(2016YFB0502102)；國家高技術(shù)研究發(fā)展計劃(863 計劃)(2013AA12A201)；現(xiàn)代工程測量國家測繪地理信息局重點實驗室經(jīng)費資助(TJES1302)；2014江蘇省普通高校研究生科研創(chuàng)新計劃(KYLX_1394)

劉克強(qiáng)(1988—)，男，博士生，主要研究方向為無縫定位與人類活動識別。E-mail:cumtlkq@163.com

P237

A

0494-0911(2017)07-0029-05