• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于K-SVD的最大似然稀疏表示體域網(wǎng)動(dòng)作分類算法①

    2018-03-02 06:16:07王佳境吳建寧李杰成
    關(guān)鍵詞:分類動(dòng)作優(yōu)化

    王佳境,吳建寧,凌 雲(yún),李杰成

    (福建師范大學(xué) 數(shù)學(xué)與信息學(xué)院,福州 350007)

    近年來(lái),新興體域網(wǎng)技術(shù)(Body Sensor Networks,BSN)[1,2]在人體健康監(jiān)測(cè)、老年人預(yù)防跌倒、人體步態(tài)康復(fù)評(píng)價(jià)等領(lǐng)域得到廣泛關(guān)注和應(yīng)用.其技術(shù)實(shí)現(xiàn)思路在于將多個(gè)采集傳感節(jié)點(diǎn)(內(nèi)嵌加速度計(jì)或陀螺儀傳感器)佩戴于人體肩、手腕、肘、髖、膝、踝等關(guān)節(jié)處,構(gòu)建體域網(wǎng)運(yùn)動(dòng)模式獲取人體運(yùn)動(dòng)數(shù)據(jù)信息,為判別人體運(yùn)動(dòng)功能變化提供可靠數(shù)據(jù).基于體域網(wǎng)運(yùn)動(dòng)數(shù)據(jù)構(gòu)建泛化性能優(yōu)越的動(dòng)作分類模型是近年來(lái)評(píng)價(jià)人體運(yùn)動(dòng)變化研究中的焦點(diǎn)問題,也是國(guó)內(nèi)外眾多學(xué)者深入探討的熱點(diǎn)問題.早期,相關(guān)研究較多關(guān)注采用傳統(tǒng)機(jī)器學(xué)習(xí)分類算法(諸如人工神經(jīng)網(wǎng)絡(luò)技術(shù)[3]、支持向量機(jī)[4-6]、決策樹[7-9]、馬爾科夫模型[10,11]等)構(gòu)建體域網(wǎng)動(dòng)作模式分類模型.文獻(xiàn)[3]提出一種基于二維加速度數(shù)據(jù)的三層神經(jīng)網(wǎng)絡(luò)動(dòng)作模式分類模型,所構(gòu)建分類模型雖簡(jiǎn)單,但識(shí)別率僅為85%;文獻(xiàn)[4]提出了一種基于無(wú)權(quán)重特征值的支持向量機(jī)體域網(wǎng)動(dòng)作模式分類模型,雖然識(shí)別率可高達(dá)97.21%,但所設(shè)計(jì)分類算法復(fù)雜度高、耗時(shí),難以推廣實(shí)際應(yīng)用.文獻(xiàn)[11]提出一種基于半馬爾科夫模型(Semi-Markov Conditional Random Fields)的體域網(wǎng)動(dòng)作模式分類算法,適用范圍雖廣,但該算法需大量訓(xùn)練樣本數(shù)據(jù)準(zhǔn)確獲得模型參數(shù),且最高識(shí)別率僅為88.47%.此外,早期相關(guān)研究較多基于四種動(dòng)作模式探討相關(guān)動(dòng)作模式分類模型性能,局限性較強(qiáng),難以準(zhǔn)確判別體域網(wǎng)動(dòng)作模式連續(xù)變化狀況.近年,一種新興稀疏表示分類(Sparse Representation Classification,SRC)算法在體域網(wǎng)動(dòng)作模式識(shí)別研究中受到廣泛關(guān)注[12,13].其基本思路:將所有訓(xùn)練樣本構(gòu)建一個(gè)過(guò)完備字典,準(zhǔn)確稀疏表示測(cè)試樣本(即,與測(cè)試樣本同類為非零系數(shù),非同類為零系數(shù)),將體域網(wǎng)動(dòng)作模式分類問題轉(zhuǎn)化為測(cè)試樣本稀疏表示系數(shù)求解問題,然后基于所求解的稀疏表示系數(shù)定義殘差確定測(cè)試樣本類別.文獻(xiàn)[14]基于多傳感節(jié)點(diǎn)加速度數(shù)據(jù),提出一種基于稀疏表示分類算法的的分布式體域網(wǎng)動(dòng)作模式識(shí)別模型,對(duì)13種不同動(dòng)作模式分類,平均識(shí)別率可達(dá)93.5%.文獻(xiàn)[13]提出一種基于單個(gè)傳感節(jié)點(diǎn)加速度數(shù)據(jù)的人體動(dòng)作模式稀疏表示分類算法,對(duì)9種不同動(dòng)作模式分類,平均識(shí)別率可達(dá)95.3%.雖然近年相關(guān)研究基于稀疏表示分類算法探討人體動(dòng)作模式連續(xù)變化狀況取得較大進(jìn)展,但仍忽視由大量高維訓(xùn)練樣本數(shù)據(jù)所構(gòu)建的較大過(guò)完備字典對(duì)體域網(wǎng)動(dòng)作模式分類算法性能的影響.更重要的是,近年相關(guān)研究大多采用簡(jiǎn)單平均疊加方法計(jì)算測(cè)試樣本稀疏表示余差,難以準(zhǔn)確逼近不同動(dòng)作模式在空間的分布狀況,也可能影響其分類性能.如何在基于大量訓(xùn)練樣本數(shù)據(jù)優(yōu)化設(shè)計(jì)規(guī)模較小過(guò)完備字典的基礎(chǔ)上,準(zhǔn)確估計(jì)逼近測(cè)試樣本殘差分布,對(duì)于減少分類計(jì)算復(fù)雜度和時(shí)間、提高體域網(wǎng)動(dòng)作模式分類性能至關(guān)重要,也是近年相關(guān)研究探討的熱點(diǎn)問題.

    近年來(lái),一種基于K-SVD學(xué)習(xí)算法[15]優(yōu)化設(shè)計(jì)過(guò)完備字典在人臉稀疏表示識(shí)別、動(dòng)態(tài)手勢(shì)稀疏表示識(shí)別研究中得到廣泛應(yīng)用,其基本思路就是基于優(yōu)化學(xué)習(xí)算法,從大量訓(xùn)練樣本數(shù)據(jù)中獲得優(yōu)化過(guò)完備字典,即可有效減少樣本數(shù)據(jù)量,又可準(zhǔn)確稀疏表示測(cè)試樣本,確保判別信息不丟失.上述研究成果為我們優(yōu)化設(shè)計(jì)過(guò)完備字典提供了可借鑒思路.此外,近年一些相關(guān)研究提出了基于最大似然估計(jì)(Maximum Likelihood Estimation,MLE)模型[16,17]準(zhǔn)確逼近稀疏表示殘差,其基本思想就是將余項(xiàng)的求解由l1或l2范式優(yōu)化轉(zhuǎn)化為一個(gè)似然估計(jì)算子,利用最大似然函數(shù),更加準(zhǔn)確估算稀疏表示殘差值.目前,就相對(duì)于由l1或l2范式優(yōu)化而言,基于最大似然估計(jì)模型構(gòu)建稀疏表示體域網(wǎng)動(dòng)作模式分類算法,使體域網(wǎng)動(dòng)作模式訓(xùn)練樣本所得最大似然估計(jì)函數(shù)更具有通用性,能夠獲得更精確的測(cè)試樣本表示殘差,有效提升體域網(wǎng)動(dòng)作模式分類性能.

    為此,本文提出了一種基于K-SVD的最大似然稀疏表示體域網(wǎng)動(dòng)作模式分類新算法,其基本思想:首先基于K-SVD優(yōu)化學(xué)習(xí)算法,將不同動(dòng)作模式訓(xùn)練樣本按其所屬類別分組優(yōu)化訓(xùn)練,避免各類樣本數(shù)據(jù)訓(xùn)練時(shí)相互干擾,得到不同動(dòng)作模式類別所屬的子字典,然后將子字典拼合構(gòu)成一個(gè)完整字典,準(zhǔn)確稀疏表示測(cè)試樣本,最后基于最大似然稀疏模型準(zhǔn)確估算稀疏表示系數(shù)殘差,有效提高動(dòng)作模式分類性能.本研究采用包含多傳感數(shù)據(jù)的人體動(dòng)作數(shù)據(jù)庫(kù)WARD[14]驗(yàn)證本文所提算法有效性.與傳統(tǒng)稀疏表示分類算法相比較,本文所提算法能夠準(zhǔn)確估計(jì)測(cè)試樣本稀疏表示殘差,顯著提高體域網(wǎng)動(dòng)作模式識(shí)別率.

    1 基于K-SVD的最大似然稀疏表示體域網(wǎng)動(dòng)作分類算法

    本文所提算法旨在將K-SVD優(yōu)化學(xué)習(xí)算法和最大似然估計(jì)相結(jié)合,優(yōu)化設(shè)計(jì)過(guò)完備字典,基于較少訓(xùn)練樣本數(shù)據(jù)準(zhǔn)確稀疏表示測(cè)試動(dòng)作樣本,然后構(gòu)建測(cè)試樣本稀疏表示殘差最大似然估計(jì)模型,判斷其類別.算法框架如圖1所示,由優(yōu)化設(shè)計(jì)過(guò)完備字典的訓(xùn)練階段和基于最大似然稀疏表示的動(dòng)作識(shí)別階段組成.訓(xùn)練階段主要是基于K-SVD分別每個(gè)動(dòng)作類別優(yōu)化學(xué)習(xí)獲得子字典,然后將所有優(yōu)化子字典整合一個(gè)完整字典,有效減少冗余樣本數(shù)據(jù),準(zhǔn)確稀疏表示測(cè)試樣本.識(shí)別階段主要是采用最大似然估計(jì)模型估算稀疏表示余差分布密度函數(shù),然后基于余差分布密度函數(shù)求解測(cè)試樣本稀疏表示殘差,判別測(cè)試樣本所屬類別.

    圖1 最大似然估計(jì)稀疏表示分類算法整體框圖

    1.1 基于K-SVD優(yōu)化設(shè)計(jì)過(guò)完備字典

    基于上述步驟,可得到由每一動(dòng)作類別的子字典級(jí)聯(lián)而成的一個(gè)完整優(yōu)化過(guò)完備字典D,既可減少字典規(guī)模,又可有效確保動(dòng)作樣本中的判別信息不丟失.

    1.2 最大似然稀疏表示動(dòng)作分類模型

    基于所得優(yōu)化過(guò)完備字典D,可將測(cè)試樣本y稀疏表示為:

    式中,σ表示為誤差容限,盡可能確保稀疏表示系數(shù)x=[0,···,0,x1,x2,···,xni,0,···,0],非零系數(shù)x1,x2,···,xni表示與測(cè)試樣本y同類訓(xùn)練樣本對(duì)應(yīng)的系數(shù).式(2)稀疏表示系數(shù)可通過(guò)下列極小化l1范數(shù)求解.

    式中,約束條件要求余項(xiàng)e=y-Dx滿足‖e‖2≤ σ.為此,基于最大似然估計(jì)理論將余項(xiàng)轉(zhuǎn)化為最大似然分布函數(shù),構(gòu)建最大似然稀疏表示動(dòng)作分類模型.具體算法描述如下.

    在稀疏表示模型中,系數(shù)x具有稀疏性約束.因此,系數(shù)x的最大似然估計(jì)求解可以轉(zhuǎn)化為式(4)所示的最小優(yōu)化問題.

    這是由于粉煤灰具有較好的形態(tài)效應(yīng)、微集料填充效應(yīng)和火山效應(yīng),除了填充水泥顆粒間隙外還生成了大量的C-S-H凝膠,改善了產(chǎn)物形態(tài),增加了混凝土的密實(shí)性,部分大毛細(xì)孔與氣孔向更小的孔徑轉(zhuǎn)變,從而降低了混凝土的滲透性能[1,8]。但粉煤灰的摻入也降低了混凝土中水泥的含量,且粉煤灰的二次水化反應(yīng)進(jìn)行得比較緩慢,混凝土中還有大量未水化的粉煤灰顆粒,導(dǎo)致混凝土內(nèi)部結(jié)構(gòu)不夠密實(shí),因此大摻量粉煤灰混凝土的抗?jié)B透性能降低,導(dǎo)致其水和氣體滲透系數(shù)增大[9-10]。NMR測(cè)得的試驗(yàn)混凝土孔隙率(表4)也反映了上述規(guī)律,摻量超過(guò)30 %之后,試驗(yàn)混凝土的孔隙率也有所增加。

    一般來(lái)說(shuō),余差e不符合高斯分布.但是,可以假設(shè)余差e的概率密度函數(shù)fθ(ei)具有高斯分布密度函數(shù)所具有的特性:fθ(ei)是對(duì)稱的,并且當(dāng)時(shí),.因此,ρθ(ei)具有以下特性:ρθ(0)是全局最小值;對(duì)稱性,即ρθ(ei)= ρθ(-ei);單調(diào)性,當(dāng)時(shí),.

    式中,R1(e)為高階余項(xiàng).,其中,e0,i(i=1,2,···,n)表示e0中的第i個(gè)元素.高階余項(xiàng)R1(e)的估計(jì)值可記作R1(e)=0.5(e-e0)TW(e-e0),其中W是一個(gè)對(duì)角矩陣.因此,e中的所有元素都是相互獨(dú)立的.Fθ(e)在e=0達(dá)到最小值0,則當(dāng)e=0時(shí),的也達(dá)到最小值.令,可以計(jì)算得到對(duì)角矩陣W對(duì)角元素值,如式(6).

    根據(jù)函數(shù)ρθ(e)的特性,的正負(fù)符號(hào)相同,所以對(duì)角矩陣W中的所有元素都是非負(fù)值.因此,可以改寫為,b是一個(gè)由e0決定的常數(shù).式(1)可被改寫為式(7).

    比較式(7)和式(3)可以看出,最大似然稀疏表示分類方法就是一個(gè)加權(quán)的稀疏表示模型.由于權(quán)重矩陣W是一個(gè)對(duì)角矩陣,Wi,i是針對(duì)待測(cè)向量中每一個(gè)相應(yīng)原子的權(quán)值,對(duì)于差異性較為明顯的原子值,權(quán)重較大,不具有差異性或差異性較小的原子值,賦予的權(quán)重則小一些,這樣的操作對(duì)于分類效果的好處是顯而易見的.考慮到上述特性,選擇與其相似的SVM算法中hinge loss函數(shù)[18]作為權(quán)重函數(shù),通過(guò)迭代優(yōu)化,直至收斂,最終求得稀疏表示系數(shù).

    2 實(shí)驗(yàn)結(jié)果與分析

    2.1 實(shí)驗(yàn)數(shù)據(jù)及其預(yù)處理

    本研究選用美國(guó)加州伯克利大學(xué)公開發(fā)布的包含多傳感數(shù)據(jù)的人體動(dòng)作模式數(shù)據(jù)庫(kù)WARD.該數(shù)據(jù)庫(kù)采集20名受試者(13名男性,7名女性,年齡在19~70歲)13種不同動(dòng)作模式:站立、坐、躺、向前走、向左轉(zhuǎn)、向右轉(zhuǎn)、上樓、下樓、慢跑、跳、推輪椅、順時(shí)針走、逆時(shí)針走.每名受試者要求佩戴5個(gè)相同傳感節(jié)點(diǎn)(內(nèi)嵌一個(gè)三軸加速度計(jì)傳感器和一個(gè)二軸陀螺儀),分別置于左手腕、右手腕、左足踝、右足踝、腰部.采用率設(shè)置為30 Hz.本研究選用上述前11種動(dòng)作模式數(shù)據(jù)驗(yàn)證本文所提算法有效性.

    為確保所選動(dòng)作模式數(shù)據(jù)信息完整性,本文采用滑動(dòng)窗口方法截取數(shù)據(jù)段,窗口長(zhǎng)度設(shè)置為200點(diǎn).選用三個(gè)方向的加速度數(shù)據(jù)和二個(gè)方向的陀螺儀數(shù)據(jù)定義采樣數(shù)據(jù)向量維數(shù)為m=1000.采用五階平滑濾波對(duì)所選樣本數(shù)據(jù)消噪.

    為客觀評(píng)價(jià)本文所提算法的分類性能,我們采用留一交叉驗(yàn)證法,即從所有20名受試者(每名受試者每種動(dòng)作取5個(gè)樣本)任意選取19名受試者數(shù)據(jù)作為訓(xùn)練樣本集,剩余1名受試者作為測(cè)試樣本.為確保動(dòng)作樣本訓(xùn)練、測(cè)試的可靠性,上述交叉驗(yàn)證任意重復(fù)75次,取最終平均結(jié)果作為分類器的識(shí)別率.

    2.2 優(yōu)化設(shè)計(jì)過(guò)完備字典

    由于樣本數(shù)據(jù)維數(shù)為m=1000,含一些冗余信息,影響優(yōu)化過(guò)完備字典的獲取和分類器的最優(yōu)性能.在實(shí)驗(yàn)中,我們采用隨機(jī)投影方法壓縮數(shù)據(jù),降低樣本數(shù)據(jù)冗余信息.壓縮率(Compressive Proportion,cp)的定義如式(8).

    式中,m′表示壓縮數(shù)據(jù)長(zhǎng)度.我們?cè)谠紨?shù)據(jù)維度為m=1000及優(yōu)化過(guò)完備字典大小取40狀況下,選擇最優(yōu)壓縮率cp值.本文所提算法基于不同壓縮率所獲得的識(shí)別率和運(yùn)行時(shí)間如表1所示.

    表1 本文算法基于不同壓縮率的識(shí)別率和運(yùn)行時(shí)間

    從表1可以看到,識(shí)別率和運(yùn)行時(shí)間均隨壓縮率的增大而增大,但壓縮率為0.5時(shí)能夠獲得與壓縮率為1時(shí)幾乎相同的最大識(shí)別率,運(yùn)行時(shí)間卻明顯減少(約7.2秒).這些結(jié)果表明,最優(yōu)壓縮率為0.5.因?yàn)楫?dāng)cp=0.5時(shí),壓縮數(shù)據(jù)不僅可包含與原始數(shù)據(jù)幾乎相同的動(dòng)作模式差異信息,同時(shí)可以有效降低本文所提算法復(fù)雜度,提高動(dòng)作分類性能.

    在選取最優(yōu)壓縮率為0.5狀況下,我們進(jìn)一步評(píng)估了基于本文所提算法選取優(yōu)化過(guò)完備字典對(duì)動(dòng)作分類性能的影響.實(shí)驗(yàn)中,每種動(dòng)作訓(xùn)練樣本數(shù)量選取為95.圖2給出了選取不同字典對(duì)動(dòng)作分類性能的影響結(jié)果.從圖2可以看到,本文所提算法隨選取字典大小變化而變化.當(dāng)選取字典大小從10增加到40時(shí),動(dòng)作識(shí)別率上升至最大(約95%);其后,識(shí)別率呈下降趨勢(shì).這些結(jié)果表明,字典規(guī)模過(guò)小,難以包含動(dòng)作模式完整差異信息;字典規(guī)模過(guò)大,所選樣本數(shù)據(jù)必含過(guò)多冗余信息,兩者均影響動(dòng)作分類性能.但通過(guò)優(yōu)化學(xué)習(xí)選取規(guī)模適當(dāng)字典,既可包含動(dòng)作模式完整差異信息,又可降低樣本數(shù)據(jù)冗余信息,有效提高動(dòng)作模式分類性能.

    圖2 基于不同字典大小的識(shí)別率變化結(jié)果

    2.3 最大似然稀疏表示動(dòng)作分類性能

    實(shí)驗(yàn)中,我們選取傳統(tǒng)的近緊鄰算法(NN)、稀疏表示分類算法(SRC)、基于K-SVD的稀疏表示分類算法(KSVD+SRC),作為比較,進(jìn)一步客觀評(píng)價(jià)本文所提算法(KSVD+MLE)的有效性.最優(yōu)字典選取為40,其比較結(jié)果如圖3所示.

    從圖3可以看到,四種動(dòng)作分類算法動(dòng)作識(shí)別率均隨數(shù)據(jù)維度增長(zhǎng)而增長(zhǎng),比較而言,本文所提算法(KSVD+ MLE)可獲得最大識(shí)別率(96.36%),分類性能明顯優(yōu)于其他所選三種分類算法性能,NN動(dòng)作分類性能最差.這些結(jié)果表明,本文所提最大似然稀疏表示模型能夠準(zhǔn)確估計(jì)動(dòng)作模式稀疏表示系數(shù)殘差,有效提高動(dòng)作模式分類性能.

    圖3 基于不同動(dòng)作分類算法的比較結(jié)果

    此外,從圖3中我們觀察到,基于SRC的動(dòng)作分類性能(識(shí)別率為92.27%)明顯優(yōu)于基于KSVD+SRC的動(dòng)作分類性能(83.64%),原因是K-SVD優(yōu)化字典難以為SRC算法提供精確的稀疏表示系數(shù)殘差,影響其分類性能.

    此外,在實(shí)驗(yàn)中,我們基于最優(yōu)選取字典以及最優(yōu)壓縮率,驗(yàn)證本文所提算法對(duì)所選11種動(dòng)作模式分類性能,進(jìn)一步評(píng)估本文所提算法對(duì)連續(xù)動(dòng)作模式分類有效性.其分類混淆矩陣如表2所示.從表2可以看到,本文所提算法對(duì)11種不同動(dòng)作模式識(shí)別率均達(dá)到94%以上,平均識(shí)別率高達(dá)96%以上.特別是,站立、躺、左轉(zhuǎn)、右轉(zhuǎn)等動(dòng)作識(shí)別率均可高達(dá)98%以上.作為對(duì)比,SRC算法對(duì)所選11種動(dòng)作模式的分類混淆矩陣如表3顯示.可以看出,SRC算法對(duì)坐、上樓、下樓、推輪椅四種動(dòng)作模式識(shí)別率均在90%以下,平均識(shí)別率僅為92%,比之本文所提算法平均識(shí)別率低4%.綜上,本文所提算法能夠準(zhǔn)確估計(jì)動(dòng)作模式稀疏表示系數(shù)殘差分布,可有效識(shí)別動(dòng)作模式連續(xù)變化.

    3 結(jié)論與展望

    本文提出了一種基于K-SVD的最大似然稀疏表示動(dòng)作分類算法.該算法可有效利用K-SVD優(yōu)化學(xué)習(xí)算法,將不同動(dòng)作模式訓(xùn)練樣本按其所屬類別分組優(yōu)化訓(xùn)練,避免各類樣本數(shù)據(jù)訓(xùn)練時(shí)相互干擾,將不同動(dòng)作模式類別所屬的子字典拼合一個(gè)完整字典,準(zhǔn)確稀疏表示測(cè)試樣本,使最大似然稀疏模型準(zhǔn)確估計(jì)稀疏表示系數(shù)殘差,有效提高動(dòng)作模式分類性能,有助于判別動(dòng)作模式連續(xù)變化.

    表2 本文所提算法基于11種動(dòng)作信號(hào)的分類混淆矩陣

    表3 SRC算法基于11種動(dòng)作信號(hào)分類混淆矩陣

    1Movassaghi S,Abolhasan M,Lipman J,et al.Wireless body area networks:A survey.IEEE Communications Surveys &Tutorials,2014,16(3):1658-1686.

    2Rawat P,Singh KD,Chaouchi H,et al.Wireless sensor networks:A survey on recent developments and potential synergies.The Journal of Supercomputing,2014,68(1):1-48.[doi:10.1007/s11227-013-1021-9]

    3Randell C,Muller H.Context awareness by analysing accelerometer data.The Fourth International Symposium on Wearable Computers.Atlanta,GA,USA.2000.175-176.

    4He ZY,Liu ZB,Jin LW,et al.Weightlessness feature-A novel feature for single tri-axial accelerometer based activity recognition.19th International Conference on Pattern Recognition.Tampa,FL,USA.2008.1-4.

    5He ZY,Jin LW.Activity recognition from acceleration data based on discrete consine transform and SVM.Proceedings of the 2009 IEEE International Conference on Systems,Man and Cybernetics.San Antonio,TX,USA.2009.5041-5044.

    6He ZY,Jin LW.Activity recognition from acceleration data using AR model representation and SVM.Proceedings of the Seventh International Conference on Machine Learning and Cybernetics.Kunming,China.2008.2245-2250.

    7Jatoba LC,Grossmann U,Kunze C,et al.Context-Aware mobile health monitoring:Evaluation of different pattern recognition methods for classification of physical activity.30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society.Vancouver,BC,Canada.2008.5250-5253.

    8Bao L,Intille SS.Activity recognition from user-annotated acceleration data.International Conference on Pervasive Computing.Linz and Vienna,Austria.2004.1-17.

    9Ermes M,Parkka J,Cluitmans L.Advancing from offline to online activity recognition with wearable sensors.30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society.Vancouver,BC,Canada.2008.4451-4454.

    10Zhu C,Sheng WH.Human daily activity recognition in robot-assisted living using multi-sensor fusion.2009 IEEE International Conference on Robotics and Automation.Kobe,Japan.2009.2154-2159.

    11Vinh LT,Lee S,Le HX,et al.Semi-Markov conditional random fields for accelerometer-based activity recognition.Applied Intelligence,2011,35(2):226-241.[doi:10.1007/s10489-010-0216-5]

    12Wright J,Yang AY,Ganesh A,et al.Robust face recognition via sparse representation.IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(2):210-227.[doi:10.1109/TPAMI.2008.79]

    13Zhang M,Sawchuk AA.Human daily activity recognition with sparse representation using wearable sensors.IEEE Journal of Biomedical and Health Informatics,2013,17(3):553-560.[doi:10.1109/JBHI.2013.2253613]

    14Yang AY,Jafari R,Sastry SS,et al.Distributed recognition of human actions using wearable motion sensor networks.Journal of Ambient Intelligence and Smart Environments,2009,1(2):103-115.

    15Aharon M,Elad M,Bruckstein A.rmK-SVD:An algorithm for designing overcomplete dictionaries for sparse representation.IEEE Transactions on Signal Processing,2006,54(11):4311-4322.[doi:10.1109/TSP.2006.881199]

    16Yang M,Zhang L,Yang J,et al.Robust sparse coding for face recognition.2011 IEEE Conference on Computer Vision and Pattern Recognition.Providence,RI,USA.2011.625-632.

    17胡正平,宋淑芬.基于類別相關(guān)近鄰子空間的最大似然稀疏表示魯棒圖像識(shí)別算法.自動(dòng)化學(xué)報(bào),2012,38(9):1420-1427.

    18Zhang J,Jin R,Yang YM,et al.Modified logistic regression:An approximation to SVM and its applications in large-scale text categorization.Proceedings of the Twentieth International Conference on Machine Learning.Washington DC,USA.2003.888-895.

    猜你喜歡
    分類動(dòng)作優(yōu)化
    超限高層建筑結(jié)構(gòu)設(shè)計(jì)與優(yōu)化思考
    民用建筑防煙排煙設(shè)計(jì)優(yōu)化探討
    關(guān)于優(yōu)化消防安全告知承諾的一些思考
    分類算一算
    一道優(yōu)化題的幾何解法
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    動(dòng)作描寫要具體
    教你一招:數(shù)的分類
    畫動(dòng)作
    老司机福利观看| 国产精品av视频在线免费观看| 激情 狠狠 欧美| 18禁裸乳无遮挡免费网站照片| 国产69精品久久久久777片| 人妻丰满熟妇av一区二区三区| 欧美激情久久久久久爽电影| 国产精品无大码| 亚洲国产欧美人成| 最近2019中文字幕mv第一页| 免费观看精品视频网站| 午夜福利在线观看免费完整高清在 | 伦理电影大哥的女人| 最好的美女福利视频网| 日韩欧美免费精品| 亚洲一区高清亚洲精品| 精品少妇黑人巨大在线播放 | 精品熟女少妇av免费看| 国产精品一区二区三区四区久久| 老司机影院成人| 老女人水多毛片| 国语自产精品视频在线第100页| 国产三级中文精品| 黄色视频,在线免费观看| 精品人妻熟女av久视频| 亚洲av中文字字幕乱码综合| 神马国产精品三级电影在线观看| 成人漫画全彩无遮挡| 中文字幕精品亚洲无线码一区| 成人综合一区亚洲| 久久精品91蜜桃| 国产精品久久久久久精品电影| 综合色丁香网| 精品99又大又爽又粗少妇毛片| 亚洲欧美日韩东京热| 国产精品福利在线免费观看| 深爱激情五月婷婷| 麻豆精品久久久久久蜜桃| 小蜜桃在线观看免费完整版高清| av在线观看视频网站免费| 成人特级av手机在线观看| 国产淫片久久久久久久久| 男女那种视频在线观看| 麻豆久久精品国产亚洲av| 黑人高潮一二区| 美女内射精品一级片tv| 国产色爽女视频免费观看| 欧美日韩综合久久久久久| www.色视频.com| av卡一久久| 国产久久久一区二区三区| 亚洲国产精品合色在线| 国产伦精品一区二区三区视频9| 一区二区三区四区激情视频 | 少妇高潮的动态图| 丰满人妻一区二区三区视频av| 97热精品久久久久久| 高清毛片免费看| 白带黄色成豆腐渣| av免费在线看不卡| 1024手机看黄色片| 国产精品人妻久久久久久| 免费在线观看影片大全网站| 国产精品爽爽va在线观看网站| 久久精品夜色国产| 两性午夜刺激爽爽歪歪视频在线观看| 一区福利在线观看| 午夜福利视频1000在线观看| 国产精品电影一区二区三区| 亚洲美女黄片视频| 午夜亚洲福利在线播放| 在线播放国产精品三级| 国产精品一区二区性色av| 五月玫瑰六月丁香| 秋霞在线观看毛片| 人妻制服诱惑在线中文字幕| www.色视频.com| 日韩高清综合在线| 成人一区二区视频在线观看| 自拍偷自拍亚洲精品老妇| 成人漫画全彩无遮挡| 欧美丝袜亚洲另类| 精品少妇黑人巨大在线播放 | 国产精品久久久久久亚洲av鲁大| 日日干狠狠操夜夜爽| 午夜精品国产一区二区电影 | 国产女主播在线喷水免费视频网站 | 亚洲av不卡在线观看| 久久鲁丝午夜福利片| 黄片wwwwww| 男女视频在线观看网站免费| 级片在线观看| 22中文网久久字幕| 欧美人与善性xxx| 亚洲自拍偷在线| 日本a在线网址| 成熟少妇高潮喷水视频| 欧美三级亚洲精品| 久久人人爽人人爽人人片va| 日本黄色片子视频| 亚洲人成网站在线播放欧美日韩| 国产一区二区亚洲精品在线观看| 久久久久性生活片| 精品福利观看| 亚洲18禁久久av| 亚洲国产色片| 国产免费男女视频| 久久精品夜夜夜夜夜久久蜜豆| 亚洲婷婷狠狠爱综合网| 久久久久久久亚洲中文字幕| 99国产极品粉嫩在线观看| 午夜亚洲福利在线播放| av在线老鸭窝| 亚洲真实伦在线观看| 18禁在线播放成人免费| 久久久久精品国产欧美久久久| 亚洲电影在线观看av| 国产亚洲91精品色在线| 51国产日韩欧美| 中文资源天堂在线| 香蕉av资源在线| 国产亚洲av嫩草精品影院| 亚洲三级黄色毛片| 日本色播在线视频| 毛片一级片免费看久久久久| 啦啦啦韩国在线观看视频| 亚洲精品日韩在线中文字幕 | 欧美成人精品欧美一级黄| 白带黄色成豆腐渣| 色哟哟·www| 97超级碰碰碰精品色视频在线观看| 搞女人的毛片| 99热只有精品国产| 日本黄色片子视频| 国产极品精品免费视频能看的| 色哟哟·www| 美女高潮的动态| 国产毛片a区久久久久| 久久精品国产清高在天天线| 少妇熟女欧美另类| 插逼视频在线观看| 亚洲内射少妇av| 国产视频内射| 在线天堂最新版资源| 国产一区二区在线av高清观看| 51国产日韩欧美| 两性午夜刺激爽爽歪歪视频在线观看| 五月玫瑰六月丁香| 色av中文字幕| 22中文网久久字幕| 精品久久久久久久末码| 国产探花在线观看一区二区| 一a级毛片在线观看| 国产精华一区二区三区| 国产成人一区二区在线| 日韩欧美一区二区三区在线观看| 国产欧美日韩一区二区精品| 大香蕉久久网| 国产一区二区激情短视频| 成人二区视频| 亚洲第一区二区三区不卡| or卡值多少钱| 国产大屁股一区二区在线视频| 日韩欧美 国产精品| av在线天堂中文字幕| 免费黄网站久久成人精品| 欧美三级亚洲精品| 深爱激情五月婷婷| 人妻丰满熟妇av一区二区三区| 亚洲美女黄片视频| 97热精品久久久久久| 免费一级毛片在线播放高清视频| 热99在线观看视频| 99热6这里只有精品| 亚洲色图av天堂| 亚洲18禁久久av| 美女高潮的动态| 精品不卡国产一区二区三区| 亚洲av一区综合| 又爽又黄a免费视频| 大型黄色视频在线免费观看| 在线观看午夜福利视频| 人人妻人人看人人澡| 国产不卡一卡二| 精品欧美国产一区二区三| 亚洲欧美成人精品一区二区| 在线免费观看的www视频| 秋霞在线观看毛片| 国产成人精品久久久久久| 成人漫画全彩无遮挡| 别揉我奶头 嗯啊视频| 成人av一区二区三区在线看| 国产成人a∨麻豆精品| 欧美最黄视频在线播放免费| 国产伦精品一区二区三区视频9| 成人性生交大片免费视频hd| 免费av不卡在线播放| 国产精品三级大全| 又爽又黄a免费视频| 亚洲精品日韩在线中文字幕 | 欧美国产日韩亚洲一区| 亚洲成人精品中文字幕电影| 高清毛片免费观看视频网站| 黄色一级大片看看| 亚洲国产欧洲综合997久久,| 久久草成人影院| 身体一侧抽搐| 国产成人a∨麻豆精品| 麻豆一二三区av精品| 一a级毛片在线观看| 麻豆国产av国片精品| 国产精品亚洲美女久久久| 亚洲av.av天堂| 韩国av在线不卡| 一级黄色大片毛片| 亚洲七黄色美女视频| 青春草视频在线免费观看| 欧美日韩精品成人综合77777| 国产亚洲av嫩草精品影院| 欧美+日韩+精品| 黑人高潮一二区| 亚洲精品456在线播放app| 亚洲一区二区三区色噜噜| 嫩草影院新地址| 淫妇啪啪啪对白视频| 村上凉子中文字幕在线| 成人性生交大片免费视频hd| 久久精品91蜜桃| 嫩草影院新地址| 青春草视频在线免费观看| 欧美bdsm另类| 免费看av在线观看网站| 亚洲激情五月婷婷啪啪| 毛片女人毛片| 免费av不卡在线播放| 我要看日韩黄色一级片| 国产精品野战在线观看| 国产精品国产三级国产av玫瑰| 免费看av在线观看网站| 此物有八面人人有两片| 男人的好看免费观看在线视频| 国产伦在线观看视频一区| 亚洲精品色激情综合| 特大巨黑吊av在线直播| 亚洲美女黄片视频| 99热6这里只有精品| 亚洲中文字幕日韩| 精品久久久久久久末码| 欧美激情久久久久久爽电影| 少妇猛男粗大的猛烈进出视频 | 日本五十路高清| 国产亚洲av嫩草精品影院| 日韩,欧美,国产一区二区三区 | 免费电影在线观看免费观看| 欧洲精品卡2卡3卡4卡5卡区| 国产精品福利在线免费观看| 精品无人区乱码1区二区| 国产亚洲精品久久久久久毛片| 日韩欧美免费精品| 日韩在线高清观看一区二区三区| 国产精品免费一区二区三区在线| 直男gayav资源| 日本与韩国留学比较| 日本欧美国产在线视频| 亚洲成人av在线免费| 综合色丁香网| 91狼人影院| 亚州av有码| 亚洲av电影不卡..在线观看| 精品人妻视频免费看| 亚洲国产精品成人久久小说 | 香蕉av资源在线| 男人狂女人下面高潮的视频| av在线观看视频网站免费| 老司机影院成人| 亚洲专区国产一区二区| 免费观看人在逋| 国产伦精品一区二区三区四那| 日韩欧美一区二区三区在线观看| 亚洲av不卡在线观看| 99国产极品粉嫩在线观看| 1024手机看黄色片| 亚洲欧美精品自产自拍| 日本一二三区视频观看| 一级黄色大片毛片| 男女视频在线观看网站免费| 伦精品一区二区三区| 有码 亚洲区| 国产 一区 欧美 日韩| 亚洲精品成人久久久久久| 精品无人区乱码1区二区| 身体一侧抽搐| 精品欧美国产一区二区三| 在线观看66精品国产| 最近中文字幕高清免费大全6| 中文字幕av在线有码专区| 黑人高潮一二区| 直男gayav资源| 五月伊人婷婷丁香| 国产单亲对白刺激| 亚洲乱码一区二区免费版| 国产精品美女特级片免费视频播放器| 两个人的视频大全免费| 亚洲四区av| 一级黄色大片毛片| 国产成人a∨麻豆精品| 国产免费男女视频| 欧美日韩乱码在线| 91在线观看av| 日韩强制内射视频| 97超碰精品成人国产| 国产亚洲91精品色在线| 中文字幕久久专区| 99热只有精品国产| 亚洲在线自拍视频| 亚洲熟妇中文字幕五十中出| 老女人水多毛片| 亚洲美女视频黄频| 精品久久久久久成人av| 男人舔女人下体高潮全视频| 成年女人毛片免费观看观看9| 波多野结衣高清无吗| 别揉我奶头~嗯~啊~动态视频| 99视频精品全部免费 在线| 毛片一级片免费看久久久久| 波野结衣二区三区在线| 欧美成人一区二区免费高清观看| 黄色一级大片看看| 国产成人a∨麻豆精品| 免费看光身美女| 国产精品女同一区二区软件| av在线亚洲专区| 日韩强制内射视频| 中文资源天堂在线| 超碰av人人做人人爽久久| 国产精品人妻久久久久久| 亚洲国产欧美人成| 久久久欧美国产精品| 亚洲熟妇熟女久久| 久久久久久久亚洲中文字幕| 十八禁网站免费在线| 天堂影院成人在线观看| 亚洲一级一片aⅴ在线观看| 亚洲图色成人| 久久亚洲精品不卡| 欧洲精品卡2卡3卡4卡5卡区| 丰满的人妻完整版| 午夜久久久久精精品| 搡女人真爽免费视频火全软件 | 中文资源天堂在线| 97在线视频观看| 丝袜喷水一区| 亚州av有码| 真实男女啪啪啪动态图| 亚洲自偷自拍三级| 99热精品在线国产| 有码 亚洲区| 免费人成在线观看视频色| 国产一区亚洲一区在线观看| 人妻丰满熟妇av一区二区三区| 国产成年人精品一区二区| 国产又黄又爽又无遮挡在线| 日本精品一区二区三区蜜桃| 免费观看精品视频网站| 一级毛片电影观看 | 精品人妻熟女av久视频| 男人舔奶头视频| 国产精品美女特级片免费视频播放器| 男人舔奶头视频| 精品无人区乱码1区二区| 亚洲av中文av极速乱| 国产成人aa在线观看| 国产高清视频在线播放一区| 国产精品嫩草影院av在线观看| 国内精品美女久久久久久| 久久久色成人| 91午夜精品亚洲一区二区三区| 51国产日韩欧美| 日韩精品青青久久久久久| 精品无人区乱码1区二区| 午夜福利在线在线| 成年女人毛片免费观看观看9| 美女大奶头视频| 老司机午夜福利在线观看视频| 日本与韩国留学比较| 成人鲁丝片一二三区免费| 日韩欧美精品v在线| 免费看av在线观看网站| 男女下面进入的视频免费午夜| 亚洲久久久久久中文字幕| 成人国产麻豆网| 干丝袜人妻中文字幕| 亚洲精品日韩在线中文字幕 | 国产高清三级在线| 长腿黑丝高跟| 中文字幕av在线有码专区| 中文字幕熟女人妻在线| 国产伦一二天堂av在线观看| 在线观看美女被高潮喷水网站| 久久精品国产亚洲av涩爱 | 亚洲国产精品久久男人天堂| 国产精品国产三级国产av玫瑰| 精品久久久久久久久久免费视频| 精品久久久久久久久av| 97超碰精品成人国产| 在线观看美女被高潮喷水网站| 伊人久久精品亚洲午夜| 18禁在线无遮挡免费观看视频 | 精品无人区乱码1区二区| 免费看a级黄色片| 夜夜夜夜夜久久久久| av天堂在线播放| 色视频www国产| 18禁黄网站禁片免费观看直播| 亚洲欧美精品综合久久99| 色噜噜av男人的天堂激情| 高清毛片免费看| 九九久久精品国产亚洲av麻豆| 精品久久久久久久久久久久久| 免费电影在线观看免费观看| 成人欧美大片| 听说在线观看完整版免费高清| 久久精品国产亚洲av涩爱 | 国内久久婷婷六月综合欲色啪| 久久精品国产清高在天天线| 成人一区二区视频在线观看| 俄罗斯特黄特色一大片| 亚洲色图av天堂| 一本久久中文字幕| 91久久精品电影网| 51国产日韩欧美| 久久久精品大字幕| 九九热线精品视视频播放| 国产成人一区二区在线| 国产精品久久久久久av不卡| 国产成人精品久久久久久| 国产美女午夜福利| 国产一区二区三区av在线 | 一级黄色大片毛片| 国产真实乱freesex| 午夜福利在线在线| 精品99又大又爽又粗少妇毛片| av免费在线看不卡| 午夜视频国产福利| 狠狠狠狠99中文字幕| av福利片在线观看| 午夜免费激情av| 两个人的视频大全免费| 国产69精品久久久久777片| 少妇丰满av| 天堂影院成人在线观看| 女生性感内裤真人,穿戴方法视频| 中国美白少妇内射xxxbb| 欧美激情在线99| 中文亚洲av片在线观看爽| 国产片特级美女逼逼视频| 蜜臀久久99精品久久宅男| 国产精品久久久久久久久免| 99久久中文字幕三级久久日本| 可以在线观看毛片的网站| 中国国产av一级| 日本熟妇午夜| 亚洲精品国产av成人精品 | 女的被弄到高潮叫床怎么办| 日日撸夜夜添| 简卡轻食公司| 日日啪夜夜撸| 亚洲不卡免费看| 97超视频在线观看视频| 午夜免费男女啪啪视频观看 | 亚洲第一区二区三区不卡| 少妇人妻精品综合一区二区 | 一级a爱片免费观看的视频| 欧洲精品卡2卡3卡4卡5卡区| 天堂√8在线中文| 国产亚洲精品av在线| 少妇猛男粗大的猛烈进出视频 | 国产一区二区在线av高清观看| 亚洲性久久影院| 久久韩国三级中文字幕| 悠悠久久av| 国产视频内射| 亚洲综合色惰| 中文字幕av在线有码专区| 两个人视频免费观看高清| 全区人妻精品视频| 在线看三级毛片| 亚洲美女视频黄频| 国产精品野战在线观看| 女人十人毛片免费观看3o分钟| 欧美绝顶高潮抽搐喷水| 国产精华一区二区三区| 成年女人看的毛片在线观看| 国产精华一区二区三区| 波多野结衣高清无吗| 三级毛片av免费| 久久精品久久久久久噜噜老黄 | 可以在线观看的亚洲视频| 深夜a级毛片| 国产综合懂色| 露出奶头的视频| 伦理电影大哥的女人| 1024手机看黄色片| 97人妻精品一区二区三区麻豆| 亚洲精品亚洲一区二区| 欧洲精品卡2卡3卡4卡5卡区| 村上凉子中文字幕在线| 久久久a久久爽久久v久久| 中文字幕熟女人妻在线| 亚洲成人av在线免费| 欧美xxxx性猛交bbbb| 午夜a级毛片| 中文字幕久久专区| 日本a在线网址| 亚洲中文字幕日韩| 欧美丝袜亚洲另类| 我的女老师完整版在线观看| 人人妻人人看人人澡| 天天躁日日操中文字幕| 久久久久久九九精品二区国产| 欧美丝袜亚洲另类| 99热只有精品国产| 搞女人的毛片| 国产精品嫩草影院av在线观看| 亚洲成人精品中文字幕电影| 又黄又爽又刺激的免费视频.| 俄罗斯特黄特色一大片| 日本黄色视频三级网站网址| 啦啦啦啦在线视频资源| 99久久中文字幕三级久久日本| 国产精品不卡视频一区二区| 国产成人影院久久av| 亚洲真实伦在线观看| 中文字幕人妻熟人妻熟丝袜美| 久久久精品94久久精品| av福利片在线观看| 日本撒尿小便嘘嘘汇集6| 日日撸夜夜添| 国产成人一区二区在线| 久久九九热精品免费| 国产 一区精品| 午夜精品一区二区三区免费看| 一夜夜www| 寂寞人妻少妇视频99o| 在线看三级毛片| 色吧在线观看| 久久久久久久久久成人| 老司机影院成人| 欧美日韩精品成人综合77777| 欧美最黄视频在线播放免费| 免费人成视频x8x8入口观看| 欧美+亚洲+日韩+国产| 亚洲久久久久久中文字幕| 久久久久久久午夜电影| 三级男女做爰猛烈吃奶摸视频| 三级毛片av免费| 婷婷六月久久综合丁香| 又黄又爽又刺激的免费视频.| АⅤ资源中文在线天堂| 国产成人一区二区在线| 一本一本综合久久| 亚洲成人精品中文字幕电影| 九九爱精品视频在线观看| av免费在线看不卡| 中文资源天堂在线| 亚洲最大成人手机在线| 搡老岳熟女国产| 亚洲丝袜综合中文字幕| 久久午夜福利片| 免费看a级黄色片| 99热这里只有是精品50| 91在线精品国自产拍蜜月| 老熟妇仑乱视频hdxx| 亚洲图色成人| 深爱激情五月婷婷| 三级国产精品欧美在线观看| 99热这里只有精品一区| 淫秽高清视频在线观看| 久久精品91蜜桃| 精品日产1卡2卡| 久久久精品94久久精品| 国产亚洲精品久久久久久毛片| 干丝袜人妻中文字幕| 少妇的逼好多水| 亚洲精品一卡2卡三卡4卡5卡| 97超级碰碰碰精品色视频在线观看| 亚洲av免费在线观看| 日韩,欧美,国产一区二区三区 | 亚洲四区av| 少妇丰满av| 日韩在线高清观看一区二区三区| 给我免费播放毛片高清在线观看| 色噜噜av男人的天堂激情| 久久久欧美国产精品| 毛片女人毛片| 一区福利在线观看| 国产精品一区二区免费欧美| 丝袜美腿在线中文| 日韩欧美 国产精品| 99久久成人亚洲精品观看| 午夜亚洲福利在线播放| 天天躁夜夜躁狠狠久久av| 老师上课跳d突然被开到最大视频| 色综合站精品国产| 日本黄色视频三级网站网址| 一级av片app| 黑人高潮一二区| 亚洲色图av天堂| 成年免费大片在线观看| 精品久久久久久久久av| 99视频精品全部免费 在线| 特大巨黑吊av在线直播| 狂野欧美激情性xxxx在线观看| 寂寞人妻少妇视频99o| 色尼玛亚洲综合影院|