MISYGyD.F4.y2Ba 移动信息系统GyD.F4.y2Ba 1875 - 905 xGyD.F4.y2Ba 1574-017x.GyD.F4.y2Ba 印度发布公司GyD.F4.y2Ba 10.1155 / 2016/2097243GyD.F4.y2Ba 2097243GyD.F4.y2Ba 研究文章GyD.F4.y2Ba 基于时间标记异构数据的移动众感表示学习GyD.F4.y2Ba http://orcid.org/0000-0002-7931-1674GyD.F4.y2Ba 马GyD.F4.y2Ba 纯美少女GyD.F4.y2Ba 1GyD.F4.y2Ba 朱GyD.F4.y2Ba 清GyD.F4.y2Ba 2GyD.F4.y2Ba 吴GyD.F4.y2Ba 爽GyD.F4.y2Ba 3.GyD.F4.y2Ba http://orcid.org/0000-0002-8917-874XGyD.F4.y2Ba 刘GyD.F4.y2Ba 箱GyD.F4.y2Ba 2GyD.F4.y2Ba Martínez.GyD.F4.y2Ba 旧金山GyD.F4.y2Ba 1GyD.F4.y2Ba 计算机与信息工程学院GyD.F4.y2Ba 天津师范大学GyD.F4.y2Ba 天津GyD.F4.y2Ba 中国GyD.F4.y2Ba tjnu.edu.cnGyD.F4.y2Ba 2GyD.F4.y2Ba 计算机科学与工程学院GyD.F4.y2Ba 电子科技大学GyD.F4.y2Ba 成都GyD.F4.y2Ba 中国GyD.F4.y2Ba uestc.edu.cn.GyD.F4.y2Ba 3.GyD.F4.y2Ba 计算机科学学院GyD.F4.y2Ba 浙江大学GyD.F4.y2Ba 杭州GyD.F4.y2Ba 中国GyD.F4.y2Ba zju.edu.cn.GyD.F4.y2Ba 2016年GyD.F4.y2Ba 7.GyD.F4.y2Ba 9.GyD.F4.y2Ba 2016年GyD.F4.y2Ba 2016年GyD.F4.y2Ba 05.GyD.F4.y2Ba 05.GyD.F4.y2Ba 2016年GyD.F4.y2Ba 18.GyD.F4.y2Ba 07.GyD.F4.y2Ba 2016年GyD.F4.y2Ba 04.GyD.F4.y2Ba 08.GyD.F4.y2Ba 2016年GyD.F4.y2Ba 7.GyD.F4.y2Ba 9.GyD.F4.y2Ba 2016年GyD.F4.y2Ba 2016年GyD.F4.y2Ba 版权所有©2016 Chunmei Ma等人。GyD.F4.y2Ba 这是一篇在知识共享署名许可下发布的开放存取的文章，它允许在任何媒体上无限制地使用、传播和复制，只要原始作品被适当地引用。GyD.F4.y2Ba

移动众感知是一种新的范式，它可以利用无处不在的智能手机收集和分析数据，以造福用户。但智能手机采集的感官数据由于粒度不同、传感器源多，往往涉及不同的数据类型。此外，数据也有时间标记。异构和时序数据的出现给数据分析提出了新的挑战。一些现有的解决方案试图逐一学习每种类型的数据，并分别分析它们，而不考虑时间信息。此外，传统的方法还必须确定手机的方向，因为智能手机中配备的一些传感器是与方向相关的。在本文中，我们认为多传感器的组合可以代表一个不变的特征的人群感知环境。因此，我们提出了一种新的带有时间标签的异构数据表示学习方法，利用深度学习提取典型特征。结果表明，该方法能够有效地适应不同方向生成的数据。此外，我们通过智能手机传感器识别两种群体移动活动，步行/骑车和驾驶/公交车，测试了所提方法的性能。 It achieves precisions of 98.6GyD.F4.y2Ba ％GyD.F4.y2Ba 和GyD.F4.y2Ba 93.7GyD.F4.y2Ba ％GyD.F4.y2Ba 骑车和步行的区别，公交车和开车的区别。GyD.F4.y2Ba

 天津申请基础及先进技术研究项目GyD.F4.y2Ba 15 jcqnjc01400GyD.F4.y2Ba 天津科学专职项目GyD.F4.y2Ba 15JCTPJC58300.GyD.F4.y2Ba 1.介绍GyD.F4.y2Ba

智能手机最近变得非常流行。拥有各种传感器和强大功能(计算、存储和通信)的智能手机的发展激发了一种流行的计算和传感范式，GyD.F4.y2Ba 众包GyD.F4.y2Ba．由于传感器的移动电话爆炸，我们可以感知环境，基础设施，甚至社交活动[GyD.F4.y2Ba 1GyD.F4.y2Ba］．例如，在[GyD.F4.y2Ba 2GyD.F4.y2Ba[作者]作者提出使用带内置三轴加速度计的智能手机来识别体育活动，这可以提供有关个人功能能力和生活方式程度的有价值的信息。除了使用智能手机的单个类型传感器之外，我们通常使用智能手机的多重电视传感器以获得各种应用的更全面的感官数据[GyD.F4.y2Ba 3.GyD.F4.y2Ba那GyD.F4.y2Ba 4.GyD.F4.y2Ba］．然而，来自各种数据源的感官数据通常是异质的，代表不同的粒度和不同的质量。此外，数据通常是标记的时间。由于感觉数据的两个特征，如何正确地“理解”的异构数据是正确的数据分析的新挑战。GyD.F4.y2Ba

一些现有的解决方案更愿意通过传感器分析单一类型的数据传感器[GyD.F4.y2Ba 4.GyD.F4.y2Ba-GyD.F4.y2Ba 6.GyD.F4.y2Ba］．例如，在[GyD.F4.y2Ba 5.GyD.F4.y2Ba[作者，作者专注于通过使用智能手机的加速度计，麦克风，GSM无线电和/或GPS传感器来检测坑洼，凸块，制动和鸣喇叭的流量监控。它们分别分析从这些传感器中的每一个生成的数据。这些方法的缺点是它们只能获得感觉数据的单向特征。其他一些研究人员提出了传感器融合方法来学习感官数据[GyD.F4.y2Ba 3.GyD.F4.y2Ba那GyD.F4.y2Ba 7.GyD.F4.y2Ba］．这是通过特征提取方法来实现的，其中每个传感器的特征独立地计算。然后，将提取的特征集成用于来自多传感器的信息融合。虽然这些方法导出了感官数据的综合特征，但它们不能表示异构数据的内部关系。此外，所有这些方法都不会考虑感官数据的时间标签，这可能导致一些典型的特征被忽视。因此，有些作品尝试使用隐马尔可夫模型（HMM）学习感官数据的时间特征[GyD.F4.y2Ba 8.GyD.F4.y2Ba那GyD.F4.y2Ba 9.GyD.F4.y2Ba］．但基于肝的算法只能获得感觉数据的相邻时间点的特征而不是整个时间特征。GyD.F4.y2Ba

由于现有方法分别处理感官数据的局限性，我们提出了一个新的GyD.F4.y2Ba 代表学习GyD.F4.y2Ba基于深度学习的带有时间标签的异构数据提取典型特征的方法。在我们的模型中，将多种传感器设置为相同的采样频率。然后，根据数据采集的顺序，对感官数据进行“序列标签”标记。因此，收集的数据及其序列标签可以作为一个整体特征组合在一起。然后，这种全局数据集成可以被深度学习网络接受为输入。有了多层次，深度学习更加强大和灵活。它能够结合许多层来生成一个集成的特性。在众感中，我们认为从多个感知数据中提取的综合特征可以很好地识别对应的上下文。此外，由于感官数据带有时间标签，我们也可以在模型中从原始数据中学习时间知识。总之，我们不仅整合了来自多个传感器的异构数据，而且还将其与时间信息相结合。 We named the combination as 上下文指纹GyD.F4.y2Ba．GyD.F4.y2Ba

在本文中，我们提出并展示了我们在整体视图中分析感官数据的方法。我们将其次收集的所有数据集团GyD.F4.y2Ba T.GyD.F4.y2Ba 0.GyD.F4.y2Ba 来自多个传感器源及其序列标签GyD.F4.y2Ba T.GyD.F4.y2Ba 0.GyD.F4.y2Ba 作为一个向量。假设在时间点生成的向量GyD.F4.y2Ba T.GyD.F4.y2Ba 0.GyD.F4.y2Ba 用GyD.F4.y2Ba XGyD.F4.y2Ba 1GyD.F4.y2Ba 'GyD.F4.y2Ba 采样窗口的长度为GyD.F4.y2Ba τGyD.F4.y2Ba ．然后，我们可以得到一个向量GyD.F4.y2Ba XGyD.F4.y2Ba 2GyD.F4.y2Ba 'GyD.F4.y2Ba 序列标签GyD.F4.y2Ba T.GyD.F4.y2Ba 1GyD.F4.y2Ba 在时间GyD.F4.y2Ba T.GyD.F4.y2Ba 0.GyD.F4.y2Ba +GyD.F4.y2Ba τGyD.F4.y2Ba 以同样的方式。重复这个采样过程GyD.F4.y2Ba NGyD.F4.y2Ba 时间，我们可以得到样本GyD.F4.y2Ba XGyD.F4.y2Ba 'GyD.F4.y2Ba ,在那里GyD.F4.y2Ba XGyD.F4.y2Ba 'GyD.F4.y2Ba =GyD.F4.y2Ba （GyD.F4.y2Ba XGyD.F4.y2Ba 1GyD.F4.y2Ba 'GyD.F4.y2Ba 那GyD.F4.y2Ba XGyD.F4.y2Ba 2GyD.F4.y2Ba 'GyD.F4.y2Ba 那GyD.F4.y2Ba ......GyD.F4.y2Ba 那GyD.F4.y2Ba XGyD.F4.y2Ba NGyD.F4.y2Ba 'GyD.F4.y2Ba ）GyD.F4.y2Ba 是一个矩阵GyD.F4.y2Ba NGyD.F4.y2Ba 列。由于感官数据来自不同的粒度数据源，因此必须改进原始样本GyD.F4.y2Ba XGyD.F4.y2Ba 'GyD.F4.y2Ba 通过数据预处理。通过预处理，我们得到了相同大小的样品GyD.F4.y2Ba XGyD.F4.y2Ba 从GyD.F4.y2Ba XGyD.F4.y2Ba 'GyD.F4.y2Ba ．样例GyD.F4.y2Ba XGyD.F4.y2Ba 将作为我们深度学习模型的输入。实验结果表明，深度学习重建的情境指纹能够有效地表征众感情境的不变特征。我们提出的方法具有以下创新特点:(1)将整体特征(GyD.F4.y2Ba 上下文指纹GyD.F4.y2Ba）原始数据作为输入，（ii）除了感官数据本身之外，它捕获和学习，数据的标记时间信息并利用它们的上下文推断，（iii）与深度学习模型，我们没有必须做方向纠正;换句话说，我们不需要关心电话方向的问题。GyD.F4.y2Ba

本文的主要贡献是多重贡献，其中包括以下内容：GyD.F4.y2Ba

我们建议将多个传感器的特征与其序列标签的集成为整体指纹，以便在众包中分析数据。GyD.F4.y2Ba

我们考虑了时间信息的因素，提高了移动活动识别的效率。GyD.F4.y2Ba

通过深度学习模型，我们使智能手机数据分析与智能手机定位无关。GyD.F4.y2Ba

我们评估了从智能手机的多个传感器收集的真实数据的建议方案。GyD.F4.y2Ba

本文的其余部分的结构如下。部分GyD.F4.y2Ba 2GyD.F4.y2Ba介绍了相关工作的简要概述。节GyD.F4.y2Ba 3.GyD.F4.y2Ba介绍了时延多层感知模型的基本结构。我们将在第一部分解释网络训练GyD.F4.y2Ba 4.GyD.F4.y2Ba．部分GyD.F4.y2Ba 5.GyD.F4.y2Ba通过在现实情景中收集的数据来评估我们在人类移动活动中推断的计划，以及GyD.F4.y2Ba 6.GyD.F4.y2Ba总结了本文。GyD.F4.y2Ba

 2.相关工作GyD.F4.y2Ba

由于智能手机和多理传感器的普及，它的配备，对移动应用研究越来越感兴趣[GyD.F4.y2Ba 10.GyD.F4.y2Ba-GyD.F4.y2Ba 13.GyD.F4.y2Ba］．他们利用智能手机的传感器感知我们的物理环境或个人的生理参数等等。感官数据始终是多模式，代表不同的粒度和不同的质量。为了妥善理解所收集的数据的潜在含义，许多研究人员将自己致力于学习数据的表示，使其更容易提取有用信息。在 [GyD.F4.y2Ba 14.GyD.F4.y2Ba，提出分别计算智能手机加速度计、陀螺仪和磁力计的合成矢量。然后，利用三个传感器各自定义的阈值进行跌倒检测。多类型传感器的感觉数据的独立表示机制在[GyD.F4.y2Ba 15.GyD.F4.y2Ba那GyD.F4.y2Ba 16.GyD.F4.y2Ba]也是如此。虽然这些方法很轻，但它们只能获得感觉数据的单向特性，并且不能形成判别特征。例如，楼下和楼上的加速度计具有类似的变化特性。GyD.F4.y2Ba

鉴于感官数据的独立表示机制的不足，一些研究提出了基于传感器融合的方案来学习感官数据的表示。传感器融合是从不同源导出的感觉数据或数据组合，使得所得到的信息与单独使用这些源时的不确定性较少的不确定性[GyD.F4.y2Ba 17.GyD.F4.y2Ba］．通过融合过程，我们可以从不同的原始数据源中得到更准确、更可靠的结果。例如，在[GyD.F4.y2Ba 18.GyD.F4.y2Ba]，为了改进本地化服务，作者手动至少四个传感器，包括麦克风，相机，WiFi无线电和加速度计。目的是将多个功能组合以获得可靠的本地化服务。在 [GyD.F4.y2Ba 19.GyD.F4.y2Ba[作者，作者呈现了异构数据表示的分层算法。在较低级别中，它提取了加速度计和麦克风的特征向量，用于运动和环境。在较高级别中，它结合了提取的两个功能来获得人类活动识别的集成功能。同样，在[GyD.F4.y2Ba 20.GyD.F4.y2Ba， Zeng等人提出了一种动态异构传感器融合框架，以融合各种传感器数据。它学习传感器的权重，形成活动识别的综合特征。这些方案的缺点是只是简单地集成了异构数据，没有考虑不同传感器的影响。此外，一些工作还需要实现传感器的坐标重定向，以获得有意义的感觉数据，指示物体的物理活动[GyD.F4.y2Ba 3.GyD.F4.y2Ba那GyD.F4.y2Ba 6.GyD.F4.y2Ba那GyD.F4.y2Ba 21.GyD.F4.y2Ba]，这增加了系统实现的复杂性。GyD.F4.y2Ba

由于感官数据可以为各种感测事件呈现不同的时间特征，因此一些研究尝试探索学习感官数据中的时间特征。据我们所知，用于分析感官数据的时间特征的方法是隐马尔可夫模型的算法[GyD.F4.y2Ba 22.GyD.F4.y2Ba那GyD.F4.y2Ba 23.GyD.F4.y2Ba］．然而，基于HMM的算法需要先验知识来定义其结构，这限制了其可行性。另外，分析相邻时间点数据的传递特征，使得它不能提取感觉数据的集成时间特征。GyD.F4.y2Ba

 3.模型评估GyD.F4.y2Ba ３.１.为什么选择深度学习GyD.F4.y2Ba

理论结果表明，对于复杂的提取过程，通过施加“更深的”结构可以进一步提高结果[GyD.F4.y2Ba 24.GyD.F4.y2Ba那GyD.F4.y2Ba 25.GyD.F4.y2Ba］．在本文中，我们提出了由时间标签标记的感官数据的学习表示，以利用深度学习提取典型特征，这是一种生成模型，由多层隐藏的随机潜变量组成。我们的方法有两个优点。首先，我们考虑在我们的算法中的时间信息分析标记的感觉数据。其次，与各种传感器的传统方式不同，每个传感器分别呈现一个特征（子处理），我们相信配备智能手机的所有传感器都表示与上下文相对应的唯一特征。即，我们将所有子处理物集成为整体功能，这是GyD.F4.y2Ba 上下文指纹GyD.F4.y2Ba我们以前命名。我们计划如下解释这两种考虑因素的更多细节。GyD.F4.y2Ba

3.1.1。感官数据的时间信息GyD.F4.y2Ba

通常，智能手机生成的感官数据是标记的时间。例如，如果我们当时对感官数据进行样本GyD.F4.y2Ba T.GyD.F4.y2Ba 0.GyD.F4.y2Ba 采样窗口长度GyD.F4.y2Ba τGyD.F4.y2Ba 然后，我们可以收集这样的数据序列：GyD.F4.y2Ba {GyD.F4.y2Ba XGyD.F4.y2Ba 一世GyD.F4.y2Ba 'GyD.F4.y2Ba 那GyD.F4.y2Ba yGyD.F4.y2Ba （GyD.F4.y2Ba 一世GyD.F4.y2Ba ）GyD.F4.y2Ba 那GyD.F4.y2Ba 一世GyD.F4.y2Ba =GyD.F4.y2Ba 1，2GyD.F4.y2Ba 那GyD.F4.y2Ba ......GyD.F4.y2Ba 那GyD.F4.y2Ba NgyD.F4.y2Ba }GyD.F4.y2Ba [GyD.F4.y2Ba T.GyD.F4.y2Ba 0.GyD.F4.y2Ba +GyD.F4.y2Ba （GyD.F4.y2Ba 一世GyD.F4.y2Ba -GyD.F4.y2Ba 1GyD.F4.y2Ba ）GyD.F4.y2Ba τGyD.F4.y2Ba ]GyD.F4.y2Ba ,在那里GyD.F4.y2Ba XGyD.F4.y2Ba 一世GyD.F4.y2Ba 'GyD.F4.y2Ba 表示按照采集顺序排序的样本数据。因此,GyD.F4.y2Ba XGyD.F4.y2Ba 一世GyD.F4.y2Ba 'GyD.F4.y2Ba 可以用“序列标签”来标记时间GyD.F4.y2Ba T.GyD.F4.y2Ba 一世GyD.F4.y2Ba ．GyD.F4.y2Ba yGyD.F4.y2Ba （GyD.F4.y2Ba 一世GyD.F4.y2Ba ）GyD.F4.y2Ba 是班级标签GyD.F4.y2Ba XGyD.F4.y2Ba 一世GyD.F4.y2Ba 'GyD.F4.y2Ba 属于。对于移动人群，时间标签是有价值的信息，可用于随时间提取感官数据的改变特性。应在算法设计中考虑时间标签作为尽可能的MUCG。但是，现有方法通常无法有效地处理时间信息。在本文中，我们介绍了深度学习模型，以从标记的感觉数据中提取典型特征。GyD.F4.y2Ba

 3.1.2。数据集成GyD.F4.y2Ba

为了实现使用深度学习提取典型的特征，有必要确定作为我们深度学习的输入数据的数据集成。数据集成是将驻留在不同源处的数据，并为用户提供这些数据的统一视图[GyD.F4.y2Ba 26.GyD.F4.y2Ba］．如前所述，我们将各种感觉数据和序列标签组合在一起以获得aGyD.F4.y2Ba 上下文指纹GyD.F4.y2Ba．在我们的模型中，而不是将不同的传感器分别考虑不同的子处理，而是数据集成表示是不变的功能，即GyD.F4.y2Ba 上下文指纹GyD.F4.y2Ba．例如，如果有四种传感器，我们可以操纵加速度计、陀螺仪、磁力计和指南针。必须有一个特殊上下文生成的特殊指纹向量GyD.F4.y2Ba CGyD.F4.y2Ba 和它对应的时间点。对于每个上下文GyD.F4.y2Ba CGyD.F4.y2Ba ，必须有一个，而且只有一个GyD.F4.y2Ba FGyD.F4.y2Ba 相应的。指纹向量GyD.F4.y2Ba CGyD.F4.y2Ba 是方向不变。GyD.F4.y2Ba （1）GyD.F4.y2Ba FGyD.F4.y2Ba =GyD.F4.y2Ba 一种GyD.F4.y2Ba CGyD.F4.y2Ba CGyD.F4.y2Ba XGyD.F4.y2Ba 那GyD.F4.y2Ba 一种GyD.F4.y2Ba CGyD.F4.y2Ba CGyD.F4.y2Ba yGyD.F4.y2Ba 那GyD.F4.y2Ba 一种GyD.F4.y2Ba CGyD.F4.y2Ba CGyD.F4.y2Ba Z.GyD.F4.y2Ba 那GyD.F4.y2Ba GGyD.F4.y2Ba yGyD.F4.y2Ba R.GyD.F4.y2Ba XGyD.F4.y2Ba 那GyD.F4.y2Ba GGyD.F4.y2Ba yGyD.F4.y2Ba R.GyD.F4.y2Ba yGyD.F4.y2Ba 那GyD.F4.y2Ba GGyD.F4.y2Ba yGyD.F4.y2Ba R.GyD.F4.y2Ba Z.GyD.F4.y2Ba 那GyD.F4.y2Ba mGyD.F4.y2Ba 一种GyD.F4.y2Ba GGyD.F4.y2Ba XGyD.F4.y2Ba 那GyD.F4.y2Ba mGyD.F4.y2Ba 一种GyD.F4.y2Ba GGyD.F4.y2Ba yGyD.F4.y2Ba 那GyD.F4.y2Ba mGyD.F4.y2Ba 一种GyD.F4.y2Ba GGyD.F4.y2Ba Z.GyD.F4.y2Ba 那GyD.F4.y2Ba CGyD.F4.y2Ba O.GyD.F4.y2Ba mGyD.F4.y2Ba 那GyD.F4.y2Ba T.GyD.F4.y2Ba ．GyD.F4.y2Ba

3.2。深度学习模式GyD.F4.y2Ba

为了利用时间标签从感觉数据中提取典型特征，我们使用由许多层组成的深度学习模型。到目前为止，有各种深度学习架构，如卷积神经网络，递归神经网络和深度信仰网络。卷积神经网络（CNN）适用于处理视觉和其他二维数据[GyD.F4.y2Ba 27.GyD.F4.y2Ba］．递归神经网络（RNN）使用张量的组成功能，其结构非常复杂[GyD.F4.y2Ba 28.GyD.F4.y2Ba］．RNN适用于自然语言处理[GyD.F4.y2Ba 29.GyD.F4.y2Ba］．深度信念网络可以以无监督的层，逐层方式有效地培训，其中层由受限制的Boltzmann机器（RBM）制成[GyD.F4.y2Ba 30.GyD.F4.y2Ba］．因此，DBN可以大大减少训练样本。通过比较分析，我们选择深度信仰网络（DBN）作为我们的深度学习模式。在本文中，我们使用包含可见层和三个隐藏层的四层DBN结构。四层形成三个RBM组，如图所示GyD.F4.y2Ba 1GyD.F4.y2Ba．假设网络的输入数据向量为GyD.F4.y2Ba mGyD.F4.y2Ba -dimensional，从加速度计，陀螺仪，磁力计，罗盘和序列标签收集并集成（本文中，我们只考虑4个传感器;对于更多传感器，网络可以以相同的方式放大网络。GyD.F4.y2Ba

移动众感深度信任网络架构。它包含四层。输入数据是一个矢量，由加速度计、陀螺仪、磁力计、指南针和时间序列收集和集成。GyD.F4.y2Ba

有GyD.F4.y2Ba L.GyD.F4.y2Ba 1GyD.F4.y2Ba 我们DBN的可见层中的单位，负责接受输入样本。样本数据是标记的时间。假设每个样本都包含GyD.F4.y2Ba NGyD.F4.y2Ba 取样时间点;然后很容易知道每个输入样本GyD.F4.y2Ba XGyD.F4.y2Ba 是一个矩阵GyD.F4.y2Ba mGyD.F4.y2Ba ×GyD.F4.y2Ba NGyD.F4.y2Ba 那GyD.F4.y2Ba XGyD.F4.y2Ba =GyD.F4.y2Ba [GyD.F4.y2Ba XGyD.F4.y2Ba 一世GyD.F4.y2Ba jGyD.F4.y2Ba ]GyD.F4.y2Ba mGyD.F4.y2Ba ×GyD.F4.y2Ba NGyD.F4.y2Ba ．可见层应接受一个样本的每个元素，如图所示GyD.F4.y2Ba 1GyD.F4.y2Ba．到目前为止，数字GyD.F4.y2Ba L.GyD.F4.y2Ba 1GyD.F4.y2Ba ，它与两者线性相关GyD.F4.y2Ba mGyD.F4.y2Ba 和GyD.F4.y2Ba NGyD.F4.y2Ba ，可计算为GyD.F4.y2Ba L.GyD.F4.y2Ba 1GyD.F4.y2Ba =GyD.F4.y2Ba mGyD.F4.y2Ba NGyD.F4.y2Ba ．如前所述，感官数据来自不同粒度的数据源。因此，我们这里使用的样本并不是智能手机采集的原始数据，而是经过预处理的数据。本文进一步讨论了数据预处理问题。下面三层是隐藏层。最下面的隐藏层有GyD.F4.y2Ba HGyD.F4.y2Ba 1GyD.F4.y2Ba 隐藏单位，下一个有GyD.F4.y2Ba HGyD.F4.y2Ba 2GyD.F4.y2Ba ，最上面的一层有GyD.F4.y2Ba HGyD.F4.y2Ba 3.GyD.F4.y2Ba 隐藏的单位。第一个RBM的隐藏单元从可见层获得输入，然后将它们经过良好训练的输出转发给第二个RBM。此时，第一个隐藏层的单位在第二个RBM中变为可见的单位。这个过程将重复进行，直到确定顶层隐藏的单元。每个隐层单元的数量要仔细选择，通过实验可以调优和搜索合适的隐层单元。GyD.F4.y2Ba

 ３．3.数据采样和预处理GyD.F4.y2Ba

在本小节中，我们解释了如何从智能手机收集的原始数据中定义和获取样本。正如我们之前讨论的那样，原始数据是GyD.F4.y2Ba mGyD.F4.y2Ba -维度，包含感知数据和序列标签。对于每个采样时间点，有一种GyD.F4.y2Ba mGyD.F4.y2Ba -维向量将生成。在我们的模型中，我们选择连续序列数据作为我们的训练或测试样本，而不是仅仅一个采样点，因为只有足够长的序列数据才能捕获一个模式;换句话说，只有一个连续的采样序列才能正确地表示一个特殊的上下文。现在的问题是如何探索一个合适的采样时间长度，GyD.F4.y2Ba NGyD.F4.y2Ba ，正如我们之前讨论过的。GyD.F4.y2Ba

在我们的模型中，我们制作样本的长度GyD.F4.y2Ba NGyD.F4.y2Ba 与特定情况有关，例如人类日常活动识别[GyD.F4.y2Ba 2GyD.F4.y2Ba那GyD.F4.y2Ba 14.GyD.F4.y2Ba那GyD.F4.y2Ba 31.GyD.F4.y2Ba或运输模式识别[GyD.F4.y2Ba 32.GyD.F4.y2Ba-GyD.F4.y2Ba 34.GyD.F4.y2Ba］．针对不同的应用目的，我们选择了不同的时间长度GyD.F4.y2Ba NGyD.F4.y2Ba ．例如，在[GyD.F4.y2Ba 33.GyD.F4.y2Ba]，有必要确定人们是否在公共汽车上。因此，我们应该使用更长的感官数据来实现这一目标;根据我们的实验，20〜120秒可以是用于采样时间帧的适当长度。然而，为了识别人的日常活动，例如骑行，5〜8秒就足够了。合理的价值GyD.F4.y2Ba NGyD.F4.y2Ba 将从实验中选择不同的场景。正如我们之前讨论的，有GyD.F4.y2Ba NGyD.F4.y2Ba 每种原始样本的时间采样GyD.F4.y2Ba XGyD.F4.y2Ba 'GyD.F4.y2Ba ;GyD.F4.y2Ba XGyD.F4.y2Ba 'GyD.F4.y2Ba =GyD.F4.y2Ba [GyD.F4.y2Ba XGyD.F4.y2Ba 一世GyD.F4.y2Ba jGyD.F4.y2Ba 'GyD.F4.y2Ba ]GyD.F4.y2Ba mGyD.F4.y2Ba ×GyD.F4.y2Ba NGyD.F4.y2Ba ．由于毛样的粒度不同，所以我们不输入毛样GyD.F4.y2Ba XGyD.F4.y2Ba 'GyD.F4.y2Ba 直接进入我们的模型。实际上，我们建议做预处理GyD.F4.y2Ba XGyD.F4.y2Ba 'GyD.F4.y2Ba 并获得精致的样本GyD.F4.y2Ba XGyD.F4.y2Ba =GyD.F4.y2Ba [GyD.F4.y2Ba XGyD.F4.y2Ba 一世GyD.F4.y2Ba jGyD.F4.y2Ba ]GyD.F4.y2Ba mGyD.F4.y2Ba ×GyD.F4.y2Ba NGyD.F4.y2Ba 进行以下培训和测试:GyD.F4.y2Ba （2）GyD.F4.y2Ba XGyD.F4.y2Ba 一世GyD.F4.y2Ba jGyD.F4.y2Ba =GyD.F4.y2Ba XGyD.F4.y2Ba 一世GyD.F4.y2Ba jGyD.F4.y2Ba 'GyD.F4.y2Ba -GyD.F4.y2Ba XGyD.F4.y2Ba 一世GyD.F4.y2Ba 'GyD.F4.y2Ba ¯GyD.F4.y2Ba σGyD.F4.y2Ba 一世GyD.F4.y2Ba 那GyD.F4.y2Ba 一世GyD.F4.y2Ba =GyD.F4.y2Ba 1，2GyD.F4.y2Ba 那GyD.F4.y2Ba ......GyD.F4.y2Ba 那GyD.F4.y2Ba mGyD.F4.y2Ba 那GyD.F4.y2Ba jGyD.F4.y2Ba =GyD.F4.y2Ba 1，2GyD.F4.y2Ba 那GyD.F4.y2Ba ......GyD.F4.y2Ba 那GyD.F4.y2Ba NGyD.F4.y2Ba 那GyD.F4.y2Ba 在哪里GyD.F4.y2Ba XGyD.F4.y2Ba 一世GyD.F4.y2Ba 'GyD.F4.y2Ba ¯GyD.F4.y2Ba =GyD.F4.y2Ba 1GyD.F4.y2Ba /GyD.F4.y2Ba NGyD.F4.y2Ba ∑GyD.F4.y2Ba jGyD.F4.y2Ba =GyD.F4.y2Ba 1GyD.F4.y2Ba NGyD.F4.y2Ba XGyD.F4.y2Ba 一世GyD.F4.y2Ba jGyD.F4.y2Ba 'GyD.F4.y2Ba 和GyD.F4.y2Ba σGyD.F4.y2Ba 一世GyD.F4.y2Ba 方差是多少GyD.F4.y2Ba 一世GyD.F4.y2Ba 毛样的第一行GyD.F4.y2Ba XGyD.F4.y2Ba 'GyD.F4.y2Ba ．精致的样本GyD.F4.y2Ba XGyD.F4.y2Ba =GyD.F4.y2Ba [GyD.F4.y2Ba XGyD.F4.y2Ba 一世GyD.F4.y2Ba jGyD.F4.y2Ba ]GyD.F4.y2Ba mGyD.F4.y2Ba ×GyD.F4.y2Ba NGyD.F4.y2Ba 是光滑的，它也可以表示aGyD.F4.y2Ba 上下文指纹GyD.F4.y2Ba．GyD.F4.y2Ba

 4.深度信念网络训练GyD.F4.y2Ba

经过预处理后，样品的尺寸为GyD.F4.y2Ba mGyD.F4.y2Ba ×GyD.F4.y2Ba NGyD.F4.y2Ba 可以被DBN的可见层接受。但是，与图像数据的像素矩阵不同，我们的样本是时延数据序列。为了整合感知数据，形成典型特征，需要对深度置信网络进行良好的训练。因此，我们的目的是找出DBN的参数，使网络误差最小化。这一过程分为两个阶段:(1)训练前阶段和(2)微调阶段。在下面的部分中，我们将详细描述这两个阶段。GyD.F4.y2Ba

4.1。预先曝光阶段GyD.F4.y2Ba

如图所示GyD.F4.y2Ba 1GyD.F4.y2Ba，我们的DBN由三个RBM基团组成，它们彼此分离。因此，我们对每个RBM组进行单独训练。对于每个RBM，它是一个无向图，由两层组成:可见层用来表示观测值，隐含层用来表示特征检测器。GyD.F4.y2Ba W.GyD.F4.y2Ba 是可见层和隐藏层之间连接的重量。RBM的结构如图所示GyD.F4.y2Ba 2GyD.F4.y2Ba．GyD.F4.y2Ba

限制博尔兹曼机（RBM）的模型。GyD.F4.y2Ba

让载体GyD.F4.y2Ba V.GyD.F4.y2Ba 和GyD.F4.y2Ba HGyD.F4.y2Ba 表示可见单元和隐藏单元的状态，其中GyD.F4.y2Ba V.GyD.F4.y2Ba 一世GyD.F4.y2Ba 表示国家的状态GyD.F4.y2Ba 一世GyD.F4.y2Ba 可见单位GyD.F4.y2Ba HGyD.F4.y2Ba jGyD.F4.y2Ba 表示国家的状态GyD.F4.y2Ba jGyD.F4.y2Ba 隐藏的单位。对于给定的状态GyD.F4.y2Ba （GyD.F4.y2Ba V.GyD.F4.y2Ba 那GyD.F4.y2Ba HGyD.F4.y2Ba ）GyD.F4.y2Ba ，RBM中的关节配置的能量是GyD.F4.y2Ba （3）GyD.F4.y2Ba E.GyD.F4.y2Ba V.GyD.F4.y2Ba 那GyD.F4.y2Ba HGyD.F4.y2Ba ∣GyD.F4.y2Ba θGyD.F4.y2Ba =GyD.F4.y2Ba -GyD.F4.y2Ba ∑GyD.F4.y2Ba 一世GyD.F4.y2Ba ∈GyD.F4.y2Ba V.GyD.F4.y2Ba 一种GyD.F4.y2Ba 一世GyD.F4.y2Ba V.GyD.F4.y2Ba 一世GyD.F4.y2Ba -GyD.F4.y2Ba ∑GyD.F4.y2Ba jGyD.F4.y2Ba ∈GyD.F4.y2Ba HGyD.F4.y2Ba B.GyD.F4.y2Ba jGyD.F4.y2Ba HGyD.F4.y2Ba jGyD.F4.y2Ba -GyD.F4.y2Ba ∑GyD.F4.y2Ba 一世GyD.F4.y2Ba ∈GyD.F4.y2Ba V.GyD.F4.y2Ba ∑GyD.F4.y2Ba jGyD.F4.y2Ba ∈GyD.F4.y2Ba HGyD.F4.y2Ba V.GyD.F4.y2Ba 一世GyD.F4.y2Ba W.GyD.F4.y2Ba 一世GyD.F4.y2Ba jGyD.F4.y2Ba HGyD.F4.y2Ba jGyD.F4.y2Ba 那GyD.F4.y2Ba 在哪里GyD.F4.y2Ba θGyD.F4.y2Ba =GyD.F4.y2Ba {GyD.F4.y2Ba W.GyD.F4.y2Ba 一世GyD.F4.y2Ba jGyD.F4.y2Ba 那GyD.F4.y2Ba 一种GyD.F4.y2Ba 一世GyD.F4.y2Ba 那GyD.F4.y2Ba B.GyD.F4.y2Ba jGyD.F4.y2Ba }GyD.F4.y2Ba 是需要在RBM中培训的参数。GyD.F4.y2Ba W.GyD.F4.y2Ba 一世GyD.F4.y2Ba jGyD.F4.y2Ba 是连接之间的连接的重量GyD.F4.y2Ba 一世GyD.F4.y2Ba 可见单位GyD.F4.y2Ba jGyD.F4.y2Ba 隐藏的单位和GyD.F4.y2Ba 一种GyD.F4.y2Ba 一世GyD.F4.y2Ba 和GyD.F4.y2Ba B.GyD.F4.y2Ba jGyD.F4.y2Ba 是他们的偏见。基于能量函数，联合概率分布GyD.F4.y2Ba （GyD.F4.y2Ba V.GyD.F4.y2Ba 那GyD.F4.y2Ba HGyD.F4.y2Ba ）GyD.F4.y2Ba 给药GyD.F4.y2Ba （4）GyD.F4.y2Ba P.GyD.F4.y2Ba V.GyD.F4.y2Ba 那GyD.F4.y2Ba HGyD.F4.y2Ba ∣GyD.F4.y2Ba θGyD.F4.y2Ba =GyD.F4.y2Ba E.GyD.F4.y2Ba -GyD.F4.y2Ba E.GyD.F4.y2Ba V.GyD.F4.y2Ba 那GyD.F4.y2Ba HGyD.F4.y2Ba ∣GyD.F4.y2Ba θGyD.F4.y2Ba Z.GyD.F4.y2Ba θGyD.F4.y2Ba 那GyD.F4.y2Ba 在哪里GyD.F4.y2Ba Z.GyD.F4.y2Ba （GyD.F4.y2Ba θGyD.F4.y2Ba ）GyD.F4.y2Ba =GyD.F4.y2Ba ∑GyD.F4.y2Ba V.GyD.F4.y2Ba 那GyD.F4.y2Ba HGyD.F4.y2Ba E.GyD.F4.y2Ba -GyD.F4.y2Ba E.GyD.F4.y2Ba V.GyD.F4.y2Ba 那GyD.F4.y2Ba HGyD.F4.y2Ba ∣GyD.F4.y2Ba θGyD.F4.y2Ba 是配分函数。对于一个实际问题，预训练算法的目的是确定观测数据的分布GyD.F4.y2Ba P.GyD.F4.y2Ba V.GyD.F4.y2Ba ∣GyD.F4.y2Ba θGyD.F4.y2Ba ，即。的边际概率GyD.F4.y2Ba P.GyD.F4.y2Ba V.GyD.F4.y2Ba 那GyD.F4.y2Ba HGyD.F4.y2Ba ∣GyD.F4.y2Ba θGyD.F4.y2Ba ．它可以作为GyD.F4.y2Ba （5）GyD.F4.y2Ba P.GyD.F4.y2Ba V.GyD.F4.y2Ba ∣GyD.F4.y2Ba θGyD.F4.y2Ba =GyD.F4.y2Ba 1GyD.F4.y2Ba Z.GyD.F4.y2Ba θGyD.F4.y2Ba ∑GyD.F4.y2Ba HGyD.F4.y2Ba E.GyD.F4.y2Ba -GyD.F4.y2Ba E.GyD.F4.y2Ba V.GyD.F4.y2Ba 那GyD.F4.y2Ba HGyD.F4.y2Ba ∣GyD.F4.y2Ba θGyD.F4.y2Ba ．GyD.F4.y2Ba

由于通过提高样品的概率，可以降低训练样本的能量，因此最佳参数GyD.F4.y2Ba θGyD.F4.y2Ba 可以通过最大化的可能性函数来计算GyD.F4.y2Ba P.GyD.F4.y2Ba V.GyD.F4.y2Ba ∣GyD.F4.y2Ba θGyD.F4.y2Ba ．它可以通过对的似然函数求导来计算GyD.F4.y2Ba P.GyD.F4.y2Ba V.GyD.F4.y2Ba ∣GyD.F4.y2Ba θGyD.F4.y2Ba 关于参数：GyD.F4.y2Ba （6）GyD.F4.y2Ba ∂GyD.F4.y2Ba 日志GyD.F4.y2Ba ⁡GyD.F4.y2Ba P.GyD.F4.y2Ba V.GyD.F4.y2Ba ∣GyD.F4.y2Ba θGyD.F4.y2Ba ∂GyD.F4.y2Ba W.GyD.F4.y2Ba 一世GyD.F4.y2Ba jGyD.F4.y2Ba =GyD.F4.y2Ba V.GyD.F4.y2Ba 一世GyD.F4.y2Ba HGyD.F4.y2Ba jGyD.F4.y2Ba D.GyD.F4.y2Ba 一种GyD.F4.y2Ba T.GyD.F4.y2Ba 一种GyD.F4.y2Ba -GyD.F4.y2Ba V.GyD.F4.y2Ba 一世GyD.F4.y2Ba HGyD.F4.y2Ba jGyD.F4.y2Ba mGyD.F4.y2Ba O.GyD.F4.y2Ba D.GyD.F4.y2Ba E.GyD.F4.y2Ba L.GyD.F4.y2Ba ∂GyD.F4.y2Ba 日志GyD.F4.y2Ba ⁡GyD.F4.y2Ba P.GyD.F4.y2Ba V.GyD.F4.y2Ba ∣GyD.F4.y2Ba θGyD.F4.y2Ba ∂GyD.F4.y2Ba 一种GyD.F4.y2Ba 一世GyD.F4.y2Ba =GyD.F4.y2Ba V.GyD.F4.y2Ba 一世GyD.F4.y2Ba D.GyD.F4.y2Ba 一种GyD.F4.y2Ba T.GyD.F4.y2Ba 一种GyD.F4.y2Ba -GyD.F4.y2Ba V.GyD.F4.y2Ba 一世GyD.F4.y2Ba mGyD.F4.y2Ba O.GyD.F4.y2Ba D.GyD.F4.y2Ba E.GyD.F4.y2Ba L.GyD.F4.y2Ba ∂GyD.F4.y2Ba 日志GyD.F4.y2Ba ⁡GyD.F4.y2Ba P.GyD.F4.y2Ba V.GyD.F4.y2Ba ∣GyD.F4.y2Ba θGyD.F4.y2Ba ∂GyD.F4.y2Ba B.GyD.F4.y2Ba jGyD.F4.y2Ba =GyD.F4.y2Ba HGyD.F4.y2Ba jGyD.F4.y2Ba D.GyD.F4.y2Ba 一种GyD.F4.y2Ba T.GyD.F4.y2Ba 一种GyD.F4.y2Ba -GyD.F4.y2Ba HGyD.F4.y2Ba jGyD.F4.y2Ba mGyD.F4.y2Ba O.GyD.F4.y2Ba D.GyD.F4.y2Ba E.GyD.F4.y2Ba L.GyD.F4.y2Ba 那GyD.F4.y2Ba 在哪里GyD.F4.y2Ba ·GyD.F4.y2Ba D.GyD.F4.y2Ba 一种GyD.F4.y2Ba T.GyD.F4.y2Ba 一种GyD.F4.y2Ba 是期望参数和观察数据的乘积和GyD.F4.y2Ba ·GyD.F4.y2Ba mGyD.F4.y2Ba O.GyD.F4.y2Ba D.GyD.F4.y2Ba E.GyD.F4.y2Ba L.GyD.F4.y2Ba 是根据模型产生的模型观测的期望。当训练数据和生成的数据相似时，我们获得最佳性能。因此，可以更新参数GyD.F4.y2Ba （7）GyD.F4.y2Ba ΔGyD.F4.y2Ba W.GyD.F4.y2Ba 一世GyD.F4.y2Ba jGyD.F4.y2Ba =GyD.F4.y2Ba ϵGyD.F4.y2Ba V.GyD.F4.y2Ba 一世GyD.F4.y2Ba HGyD.F4.y2Ba jGyD.F4.y2Ba D.GyD.F4.y2Ba 一种GyD.F4.y2Ba T.GyD.F4.y2Ba 一种GyD.F4.y2Ba -GyD.F4.y2Ba V.GyD.F4.y2Ba 一世GyD.F4.y2Ba HGyD.F4.y2Ba jGyD.F4.y2Ba mGyD.F4.y2Ba O.GyD.F4.y2Ba D.GyD.F4.y2Ba E.GyD.F4.y2Ba L.GyD.F4.y2Ba ΔGyD.F4.y2Ba 一种GyD.F4.y2Ba 一世GyD.F4.y2Ba =GyD.F4.y2Ba ϵGyD.F4.y2Ba V.GyD.F4.y2Ba 一世GyD.F4.y2Ba D.GyD.F4.y2Ba 一种GyD.F4.y2Ba T.GyD.F4.y2Ba 一种GyD.F4.y2Ba -GyD.F4.y2Ba V.GyD.F4.y2Ba 一世GyD.F4.y2Ba mGyD.F4.y2Ba O.GyD.F4.y2Ba D.GyD.F4.y2Ba E.GyD.F4.y2Ba L.GyD.F4.y2Ba ΔGyD.F4.y2Ba B.GyD.F4.y2Ba jGyD.F4.y2Ba =GyD.F4.y2Ba ϵGyD.F4.y2Ba HGyD.F4.y2Ba jGyD.F4.y2Ba D.GyD.F4.y2Ba 一种GyD.F4.y2Ba T.GyD.F4.y2Ba 一种GyD.F4.y2Ba -GyD.F4.y2Ba HGyD.F4.y2Ba jGyD.F4.y2Ba mGyD.F4.y2Ba O.GyD.F4.y2Ba D.GyD.F4.y2Ba E.GyD.F4.y2Ba L.GyD.F4.y2Ba 那GyD.F4.y2Ba 在哪里GyD.F4.y2Ba ϵGyD.F4.y2Ba 是一种学习率。通过实验测试，GyD.F4.y2Ba ϵGyD.F4.y2Ba 设定为0.01。在第一个RBM训练有素之后，该RBM中的隐藏单元变成了用于学习第二个RBM的可见单元。在最后一个RBM训练之前，将重复层到层学习。此时，我们获得参数的粗粒最佳值。为了进一步提高结果，在下一阶段中实现了细匝过程。GyD.F4.y2Ba

 4.2。微调阶段GyD.F4.y2Ba

上述阶段是底部到顶部无监督的学习过程，以实现网络预制率。之后，模型展开（如图所示）GyD.F4.y2Ba 3.GyD.F4.y2Ba）生成编码器和解码器网络。然后，我们实现了一个细转变的过程，以优化深度信念网络的参数。在这一步骤中，该过程是最高的监督学习。GyD.F4.y2Ba

展开深度信仰网络（DBN）的模型。GyD.F4.y2Ba

为了实现网络的微调，在本文中，我们使用BackPropagation（BP）方法，该方法计算均衡误差的梯度下降作为权重的函数[GyD.F4.y2Ba 35.GyD.F4.y2Ba］．具体地，BackPropagation过程通过展开网络，向前和向后执行两个阶段。在前进阶段，我们将培训数据转发到网络的输入，并计算推断隐藏单元与学习隐藏单元之间的差异。以这种方式，可以通过将输出与所需输出进行比较来计算错误。对于后退阶段，我们可以评估误差函数的衍生物相对于权重，然后使用它们来调整所有连接之间的权重。该过程将对每个训练数据重复多次，直到网络收敛。在整个过程中，初始重量是在预先曝光阶段训练良好训练的相同权重。GyD.F4.y2Ba

 5.评估GyD.F4.y2Ba 5.1。样本集GyD.F4.y2Ba

分析由智能手机多个传感器生成的数据，以设计和开发移动应用程序不是本文的目标。本文中最重要的是提出并展示了一种新的解决方案，用于有效地集成和分析多次标记的感官数据。如部分所述GyD.F4.y2Ba 3.1GyD.F4.y2Ba在美国，我们计划集成四种传感器:加速度计、陀螺仪、磁力计和指南针。我们可以先解释如何进行预处理来开始我们的评估。我们收集的测试样本集对应两组移动活动，GyD.F4.y2Ba 步行或骑自行车GyD.F4.y2Ba和GyD.F4.y2Ba 驾驶私人汽车/乘坐公共汽车GyD.F4.y2Ba．我们有六名志愿者来收集数据，其中四名男性，两名女性。在两周内，他们收集的感官数据量超过180小时。他们携带了6个不同的Android智能手机(不同的手机制造商)，配备了我们之前提到的四个传感器。采样频率为4hz。在数据收集过程中，我们从不限制智能手机的定位。这意味着所有的志愿者都可以用他们喜欢的最舒服的姿势来做样本。通常情况下，女性携带手机的方向与男性不同。但唯一的问题是他们必须在一个采样周期内保持一个手势。这意味着在采样期间，智能手机的手势不会改变。 And we do the training and testing with the cross validation method. We grouped the samples into four parts and randomly choose three of them as the training set. The left part is testing set.

 5.2。实验结果GyD.F4.y2Ba 5.2.1。< line-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M94"> <mml:mrow> <mml:mi>n</mml:mi></mml:mrow> </mml:math></ line-formula>GyD.F4.y2Ba

我们用两组人类移动活动进行所有测试，GyD.F4.y2Ba 步行或骑自行车GyD.F4.y2Ba和GyD.F4.y2Ba 开车/GyD.F4.y2Ba．基于集成功能，然后我们使用SVM分类器来区分活动。精度和召回是最广泛使用的质量测量。我们在调整样本长度时观察并比较精度和召回GyD.F4.y2Ba NGyD.F4.y2Ba ．数据GyD.F4.y2Ba 4.GyD.F4.y2Ba和GyD.F4.y2Ba 5.GyD.F4.y2Ba比较不同值时的查准率和查全率GyD.F4.y2Ba NGyD.F4.y2Ba ．我们首先测试了我们的模型GyD.F4.y2Ba 步行或骑自行车GyD.F4.y2Ba测试设置具有样本长度GyD.F4.y2Ba 0.25GyD.F4.y2Ba S.GyD.F4.y2Ba (只有一个采样点)，GyD.F4.y2Ba ０.７５GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 1.75GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 3.25GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 5.25GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 7.75GyD.F4.y2Ba S.GyD.F4.y2Ba ,GyD.F4.y2Ba 10.75GyD.F4.y2Ba S.GyD.F4.y2Ba ， 分别。在彼此分类这两种移动活动时，我们首先定义了GyD.F4.y2Ba 骑自行车GyD.F4.y2Ba作为正极类(1)和GyD.F4.y2Ba 走GyD.F4.y2Ba为负类(0)，因此，识别精度GyD.F4.y2Ba 骑自行车GyD.F4.y2Ba可以计算。然后，我们改变了GyD.F4.y2Ba 走GyD.F4.y2Ba作为正面课程并获得分类的精确度GyD.F4.y2Ba 走GyD.F4.y2Ba如图所示GyD.F4.y2Ba 4(一)GyD.F4.y2Ba．从图中GyD.F4.y2Ba 4(一)GyD.F4.y2Ba，我们可以发现集成功能实现具有不同样本长度的优异性能。并且样本长度约为1.75 s〜5.25 s以上达到稳定的精度GyD.F4.y2Ba 92.GyD.F4.y2Ba ％GyD.F4.y2Ba 并且具有峰值GyD.F4.y2Ba 98.GyD.F4.y2Ba ％GyD.F4.y2Ba ．GyD.F4.y2Ba

7种不同样本长度的精密度统计GyD.F4.y2Ba NGyD.F4.y2Ba ．(a)步行/骑车的精确统计，样本长度为GyD.F4.y2Ba ０.７５GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 1.75GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 3.25GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 5.25GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 7.75GyD.F4.y2Ba S.GyD.F4.y2Ba ,GyD.F4.y2Ba 10.75GyD.F4.y2Ba S.GyD.F4.y2Ba ．(b)带有样本长度的驾驶/巴士的精确统计GyD.F4.y2Ba 2．5GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 7.5GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 15.GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 25.GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 37.5GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 52.5GyD.F4.y2Ba S.GyD.F4.y2Ba ,GyD.F4.y2Ba 70GyD.F4.y2Ba S.GyD.F4.y2Ba ．GyD.F4.y2Ba

骑自行车和步行GyD.F4.y2Ba

驾驶与公共汽车GyD.F4.y2Ba

7个不同长度样本的回忆统计GyD.F4.y2Ba NGyD.F4.y2Ba ．（a）召回使用样品长度的步行/循环的统计数据GyD.F4.y2Ba ０.７５GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 1.75GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 3.25GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 5.25GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 7.75GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 10.75GyD.F4.y2Ba S.GyD.F4.y2Ba ．(b)以样本长度计算的驾驶/巴士召回统计数字GyD.F4.y2Ba 2．5GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 7.5GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 15.GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 25.GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 37.5GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 52.5GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 70GyD.F4.y2Ba S.GyD.F4.y2Ba ．GyD.F4.y2Ba

骑自行车和步行GyD.F4.y2Ba

驾驶与公共汽车GyD.F4.y2Ba

测试GyD.F4.y2Ba 开车/GyD.F4.y2Ba工作也是如此。然而,对于认识GyD.F4.y2Ba 开车GyD.F4.y2Ba从GyD.F4.y2Ba 公共汽车GyD.F4.y2Ba，我们需要扩大样本长度，因为只有足够长的样本才能捕捉到驾驶或乘坐公共汽车的特征。因此，在寻找合适的样本长度时，我们选择候选样本长度为GyD.F4.y2Ba 2．5GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 7.5GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 15.GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 25.GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 37.5GyD.F4.y2Ba S.GyD.F4.y2Ba 那GyD.F4.y2Ba 52.5GyD.F4.y2Ba S.GyD.F4.y2Ba ,GyD.F4.y2Ba 70GyD.F4.y2Ba S.GyD.F4.y2Ba ， 分别。如图所示GyD.F4.y2Ba 4 (b)GyD.F4.y2Ba，样本长度GyD.F4.y2Ba NGyD.F4.y2Ba 在区分中发挥更重要的作用GyD.F4.y2Ba 开车/GyD.F4.y2Ba比GyD.F4.y2Ba 骑自行车/步行GyD.F4.y2Ba．样品长度的有效范围为37.5 s〜52.5 s。样品长度太小或太大了，永远不会实现令人满意的精度。实际上，不仅GyD.F4.y2Ba NGyD.F4.y2Ba 而且两个测试的隐藏层单元的数量也不同。我们选择GyD.F4.y2Ba HGyD.F4.y2Ba 1GyD.F4.y2Ba =GyD.F4.y2Ba One hundred.GyD.F4.y2Ba 那GyD.F4.y2Ba HGyD.F4.y2Ba 2GyD.F4.y2Ba =GyD.F4.y2Ba 60.GyD.F4.y2Ba ,GyD.F4.y2Ba HGyD.F4.y2Ba 3.GyD.F4.y2Ba =GyD.F4.y2Ba 3.GyD.F4.y2Ba 用于识别实验GyD.F4.y2Ba 步行或骑自行车GyD.F4.y2Ba．为GyD.F4.y2Ba 开车/GyD.F4.y2Ba,我们选择GyD.F4.y2Ba HGyD.F4.y2Ba 1GyD.F4.y2Ba =GyD.F4.y2Ba 900GyD.F4.y2Ba 那GyD.F4.y2Ba HGyD.F4.y2Ba 2GyD.F4.y2Ba =GyD.F4.y2Ba 300GyD.F4.y2Ba ,GyD.F4.y2Ba HGyD.F4.y2Ba 3.GyD.F4.y2Ba =GyD.F4.y2Ba 4.GyD.F4.y2Ba ．对于可见单元，因为采样频率为4 Hz，GyD.F4.y2Ba L.GyD.F4.y2Ba 1GyD.F4.y2Ba =GyD.F4.y2Ba 1650GyD.F4.y2Ba （GyD.F4.y2Ba 11.GyD.F4.y2Ba ∗GyD.F4.y2Ba 37.5GyD.F4.y2Ba ∗GyD.F4.y2Ba 4.GyD.F4.y2Ba ）GyD.F4.y2Ba 如果我们选择GyD.F4.y2Ba 37.5GyD.F4.y2Ba S.GyD.F4.y2Ba 作为样本长度。GyD.F4.y2Ba

估计统计数据如图所示GyD.F4.y2Ba 5.GyD.F4.y2Ba，显示出不同样本长度时几乎相同的现象。但是在driving和bus的分类测试中，区分bus要比区分driving和测试样本集容易得多。如图所示GyD.F4.y2Ba 4 (b)GyD.F4.y2Ba和GyD.F4.y2Ba 5 (b)GyD.F4.y2Ba两种质量测量方法，精度和召回率，在区分方面都取得了较高的结果GyD.F4.y2Ba 公共汽车GyD.F4.y2Ba从我们的测试样本。一个可能的解释是巴士通常比GyD.F4.y2Ba 开车GyD.F4.y2Ba私家汽车或出租车。GyD.F4.y2Ba

 5.2.2。DBN的整体性能GyD.F4.y2Ba

为了评估我们DBN模型的整体性能，我们将DBN与移动电话的活动识别系统（ARS）进行比较[GyD.F4.y2Ba 36.GyD.F4.y2Ba］．ARS操纵三种传感器，加速度计，磁力计和陀螺仪。DBN和ARS之间存在一些差异。首先，ARS获得恒定的样本长度，即2秒，但采样频率为50Hz。因此，有100个采样点。然后，ARS计算名为100个采样数据集的时间差异的差异GyD.F4.y2Ba 一世GyD.F4.y2Ba NGyD.F4.y2Ba T.GyD.F4.y2Ba E.GyD.F4.y2Ba NGyD.F4.y2Ba S.GyD.F4.y2Ba 一世GyD.F4.y2Ba T.GyD.F4.y2Ba yGyD.F4.y2Ba ,在那里GyD.F4.y2Ba 一世GyD.F4.y2Ba NGyD.F4.y2Ba T.GyD.F4.y2Ba E.GyD.F4.y2Ba NGyD.F4.y2Ba S.GyD.F4.y2Ba 一世GyD.F4.y2Ba T.GyD.F4.y2Ba yGyD.F4.y2Ba ≔GyD.F4.y2Ba 1GyD.F4.y2Ba /GyD.F4.y2Ba One hundred.GyD.F4.y2Ba ∑GyD.F4.y2Ba T.GyD.F4.y2Ba =GyD.F4.y2Ba 1GyD.F4.y2Ba One hundred.GyD.F4.y2Ba XGyD.F4.y2Ba T.GyD.F4.y2Ba 'GyD.F4.y2Ba -GyD.F4.y2Ba XGyD.F4.y2Ba T.GyD.F4.y2Ba -GyD.F4.y2Ba 1GyD.F4.y2Ba 'GyD.F4.y2Ba /GyD.F4.y2Ba τGyD.F4.y2Ba ．第二，ARS的网络在输入层有9个完全连接的神经元，比我们的DBN模型要少。GyD.F4.y2Ba

我们对使用DBN和ARS进行分类的步行，骑自行车，驾驶私人汽车和乘坐公共汽车进行分类的实验。对于每个活动，ARS使用相同的采样长度，而DBN为不同的活动选择不同的采样长度。如上所述，DBN分别使用2 S，5 S，40 S和35秒采样长度，分别具有4 Hz采样频率，用于分类步行，骑自行车，驾驶私人汽车和乘坐公共汽车。为了评估整体性能，我们介绍了GyD.F4.y2Ba FGyD.F4.y2Ba1分作为一种新的质量衡量标准[GyD.F4.y2Ba 37.GyD.F4.y2Ba］．这是一种测试准确性的衡量标准。GyD.F4.y2Ba FGyD.F4.y2Ba1分定义为GyD.F4.y2Ba 2GyD.F4.y2Ba ∗GyD.F4.y2Ba P.GyD.F4.y2Ba R.GyD.F4.y2Ba E.GyD.F4.y2Ba CGyD.F4.y2Ba 一世GyD.F4.y2Ba S.GyD.F4.y2Ba 一世GyD.F4.y2Ba O.GyD.F4.y2Ba NGyD.F4.y2Ba ∗GyD.F4.y2Ba R.GyD.F4.y2Ba E.GyD.F4.y2Ba CGyD.F4.y2Ba 一种GyD.F4.y2Ba L.GyD.F4.y2Ba L.GyD.F4.y2Ba /GyD.F4.y2Ba （GyD.F4.y2Ba P.GyD.F4.y2Ba R.GyD.F4.y2Ba E.GyD.F4.y2Ba CGyD.F4.y2Ba 一世GyD.F4.y2Ba S.GyD.F4.y2Ba 一世GyD.F4.y2Ba O.GyD.F4.y2Ba NGyD.F4.y2Ba +GyD.F4.y2Ba R.GyD.F4.y2Ba E.GyD.F4.y2Ba CGyD.F4.y2Ba 一种GyD.F4.y2Ba L.GyD.F4.y2Ba L.GyD.F4.y2Ba ）GyD.F4.y2Ba ．的GyD.F4.y2Ba FGyD.F4.y2BaARS和DBN的1分数结果如表所示GyD.F4.y2Ba 1GyD.F4.y2Ba．GyD.F4.y2Ba

实验性能比较（GyD.F4.y2Ba FGyD.F4.y2Ba 1测量）。GyD.F4.y2Ba

活动GyD.F4.y2Ba ars.GyD.F4.y2Ba DBNGyD.F4.y2Ba
步行GyD.F4.y2Ba 92.35%GyD.F4.y2Ba 96.36%GyD.F4.y2Ba
骑自行车GyD.F4.y2Ba 75.96%GyD.F4.y2Ba 97.77%GyD.F4.y2Ba
公共汽车GyD.F4.y2Ba 70.10%GyD.F4.y2Ba 93.75％GyD.F4.y2Ba
驾驶GyD.F4.y2Ba 58.33％GyD.F4.y2Ba 90.10%GyD.F4.y2Ba
平均GyD.F4.y2Ba 74.19％GyD.F4.y2Ba 94.50%GyD.F4.y2Ba

如表所示GyD.F4.y2Ba 1GyD.F4.y2Ba，我们可以看到，从我们的DBN提取的集成功能比ARS更好地识别所有四个移动活动，特别是对于最后三项活动。原因是足够长的时间顺序数据可以捕获一些移动活动的更多功能。此外，DBN还考虑了感官数据的时间标签。虽然ARS具有更高的采样频率，但在短时间内，感官数据的特性不会有重大变化。它会增加计算负荷。GyD.F4.y2Ba

 5.2.3。方向不变性的评估GyD.F4.y2Ba

如图所示，智能手机所配备的一些传感器与方位相关GyD.F4.y2Ba 6.GyD.F4.y2Ba．对于不同的方向，数据将在同一上下文中不同地存在。例如，在步行期间，携带智能手机的不同手势将产生加速度计的不同数据记录。传统上，在处理数据的那些不同的数据表中，我们必须首先确定某些规则的方向[GyD.F4.y2Ba 5.GyD.F4.y2Ba］．但是，在我们的模型中，我们不需要做这种调整方向的工作。它可以有效地学习相同的上下文的上下文的不同数据表示。换句话说，它是方向不变。GyD.F4.y2Ba

智能手机方向不变性的鲁棒性测试。GyD.F4.y2Ba

电话方向GyD.F4.y2Ba

FGyD.F4.y2Ba1 - 衡量不同数量的方向GyD.F4.y2Ba

在评价该方法的方向不变性时，我们用多个方向对其进行了测试，并观察了相应的性能。如前所述，在采样期间我们从不限制智能手机的方向。所有的志愿者都可以用他们喜欢的最舒服的手势来做样本。事实上，志愿者们一共有五种手势:把手机放在外套口袋里，裤子口袋里，背包里，女士手提包里，还有他们的手。我们首先对仅从手机携带的一个手势中收集的测试数据进行测试。然后，我们增加手势的类别来更新我们的测试。然后我们使用提取的特征来观察性能的变化。我们也对骑车/步行和开车/公交车做了同样的实验。如图所示GyD.F4y2Ba 6（b）GyD.F4.y2Ba，我们的方法在两个分类实验中实现了稳定的结果。尽管具有多种方向的数据，但也可以识别出良好的性能。GyD.F4.y2Ba

 6.结论GyD.F4.y2Ba

在本文中，我们提出并展示了一种新颖的模型，用于在整体视图中使用深度学习来分析多个时间标记的感官数据。我们的方法尝试将每个传感器的功能集成到组合特征（上下文指纹）中，然后将其设置为DBN模型的输入。此外，它不仅捕获并学习了感官数据本身，还捕获并学习了数据的标记时间信息，并利用它们两者来做上下文推断。在分析使用我们的方法提取的数据时，我们甚至不需要关心智能手机在采样过程中的方向。我们通过在推断出两类移动活动中捕获四个感官数据集的可靠指纹来展示我们的模型，GyD.F4.y2Ba 步行或骑自行车GyD.F4.y2Ba和GyD.F4.y2Ba 开车/GyD.F4.y2Ba．GyD.F4.y2Ba

 相互竞争的利益GyD.F4.y2Ba

提交人声明他们没有竞争利益。GyD.F4.y2Ba

 致谢GyD.F4.y2Ba

这项工作是由天津（NO.15JCQNJC01400）的申请基金和先进技术研究项目和天津科学专员项目提供支持的一项工作得到支持（No.15JCTPJC58300）。GyD.F4.y2Ba

 吉蒂GyD.F4.y2Ba r·K。GyD.F4.y2Ba 叶GyD.F4.y2Ba F。GyD.F4.y2Ba LeiGyD.F4.y2Ba H。GyD.F4.y2Ba 移动人群：当前的国家和未来挑战GyD.F4.y2Ba IEEE通讯杂志GyD.F4.y2Ba 2011年GyD.F4.y2Ba 49.GyD.F4.y2Ba 11.GyD.F4.y2Ba 32.GyD.F4.y2Ba 39.GyD.F4.y2Ba 10.1109 / mcom.2011.6069707GyD.F4.y2Ba 2 - s2.0 - 81355138524GyD.F4.y2Ba 汗GyD.F4.y2Ba a . M。GyD.F4.y2Ba 李GyD.F4.y2Ba Y.-K。GyD.F4.y2Ba 李GyD.F4.y2Ba S. Y.GyD.F4.y2Ba 金GyD.F4.y2Ba T.0.GyD.F4.y2Ba 使用核心判别分析，通过启用加速度计的智能手机的人类活动识别GyD.F4.y2Ba 第五届未来信息技术会议的诉讼程序（Futuretech'10）GyD.F4.y2Ba 2010年5月GyD.F4.y2Ba 韩国釜山GyD.F4.y2Ba 1GyD.F4.y2Ba 6.GyD.F4.y2Ba 10.1109 / futuretech.2010.5482729GyD.F4.y2Ba 2-S2.0-77954420947GyD.F4.y2Ba 约翰逊GyD.F4.y2Ba D. A.GyD.F4.y2Ba TrivediGyD.F4.y2Ba 毫米。GyD.F4.y2Ba 使用智能手机作为传感器平台的驾驶风格识别GyD.F4.y2Ba 第14届IEEE国际智能交通系统会议（ITSC'11）GyD.F4.y2Ba 2011年10月GyD.F4.y2Ba 美国华盛顿特区GyD.F4.y2Ba 1609.GyD.F4.y2Ba 1615.GyD.F4.y2Ba 10.1109 / ITSC.2011.6083078.GyD.F4.y2Ba 2-S2.0-83755173341GyD.F4.y2Ba 你GyD.F4.y2Ba C.-w.GyD.F4.y2Ba 车道GyD.F4.y2Ba N. D.GyD.F4.y2Ba 程yD.F4.y2Ba F。GyD.F4.y2Ba 王GyD.F4.y2Ba R。GyD.F4.y2Ba 程yD.F4.y2Ba Z。GyD.F4.y2Ba 保GyD.F4.y2Ba T. J.GyD.F4.y2Ba Montes-de-OcaGyD.F4.y2Ba M。GyD.F4.y2Ba 程GyD.F4.y2Ba y。GyD.F4.y2Ba 线头GyD.F4.y2Ba M。GyD.F4.y2Ba Torresani.GyD.F4.y2Ba lGyD.F4.y2Ba 坎贝尔GyD.F4.y2Ba 在。GyD.F4.y2Ba Carsafe app：在智能手机上使用双相机提醒昏昏欲睡和分心的司机GyD.F4.y2Ba 第11届国际移动系统、应用和服务年会论文集(MobiSys’13)GyD.F4.y2Ba 2013年六月GyD.F4.y2Ba 台北,台湾GyD.F4.y2Ba ACM.GyD.F4.y2Ba 13.GyD.F4.y2Ba 26.GyD.F4.y2Ba 10.1145/2462456.2465428GyD.F4.y2Ba 2 - s2.0 - 84881119883GyD.F4.y2Ba 莫汉GyD.F4.y2Ba P。GyD.F4.y2Ba Padmanabhan.GyD.F4.y2Ba 五。GyD.F4.y2Ba ramjee.GyD.F4.y2Ba R。GyD.F4.y2Ba Nericell：使用移动智能手机丰富地监控道路和交通状况GyD.F4.y2Ba 第六届ACM嵌入式网络传感器系统会议论文集(SenSys’08)GyD.F4.y2Ba 2008年11月GyD.F4.y2Ba 323GyD.F4.y2Ba 336GyD.F4.y2Ba 10.1145 / 1460412.1460444GyD.F4.y2Ba 2 - s2.0 - 84866503356GyD.F4.y2Ba 王GyD.F4.y2Ba y。GyD.F4.y2Ba 阳GyD.F4.y2Ba j。GyD.F4.y2Ba 刘GyD.F4.y2Ba H。GyD.F4.y2Ba 程yD.F4.y2Ba y。GyD.F4.y2Ba GruteserGyD.F4.y2Ba M。GyD.F4.y2Ba 马丁GyD.F4.y2Ba R.P.GyD.F4.y2Ba 传感车辆动力学用于确定驾驶员使用GyD.F4.y2Ba 第11届国际移动系统、应用和服务年会论文集(MobiSys’13)GyD.F4.y2Ba 2013年六月GyD.F4.y2Ba 台北,台湾GyD.F4.y2Ba 41.GyD.F4.y2Ba 54.GyD.F4.y2Ba 10.1145 / 2462456.2464447GyD.F4.y2Ba 2-S2.0-84881169478GyD.F4.y2Ba 吉蒂GyD.F4.y2Ba r·K。GyD.F4.y2Ba Srinivasan.GyD.F4.y2Ba 年代。GyD.F4.y2Ba GacicGyD.F4.y2Ba 一种。GyD.F4.y2Ba 用于生活方式监控的智能手机的多传感器融合GyD.F4.y2Ba 人体传感器网络国际会议论文集(BSN’10)GyD.F4.y2Ba 2010年6月GyD.F4.y2Ba 新加坡GyD.F4.y2Ba 36.GyD.F4.y2Ba 43.GyD.F4.y2Ba 10.1109 / bsn.2010.10GyD.F4.y2Ba 2-S2.0-77955180243GyD.F4.y2Ba Kuehne.GyD.F4.y2Ba H。GyD.F4.y2Ba 胆GyD.F4.y2Ba j。GyD.F4.y2Ba Serre.GyD.F4.y2Ba T.GyD.F4.y2Ba 一个用于视频分割和识别的端到端生成框架GyD.F4.y2Ba IEEE冬季计算机视觉应用大会论文集(WACV’16)GyD.F4.y2Ba 2016年3月GyD.F4.y2Ba 普莱西德湖，美国纽约GyD.F4.y2Ba 1GyD.F4.y2Ba 8.GyD.F4.y2Ba 10.1109 / WACV.2016.7477701GyD.F4.y2Ba 徐GyD.F4.y2Ba H。GyD.F4.y2Ba 李GyD.F4.y2Ba y。GyD.F4.y2Ba 李GyD.F4.y2Ba C。GyD.F4.y2Ba 基于HMM的特征关节的活动识别GyD.F4.y2Ba 第12届普遍存在机器人和环境情报国际会议的载体（URAI'15）GyD.F4.y2Ba 2015年10月GyD.F4.y2Ba 古阳，韩国再生GyD.F4.y2Ba IEEE.GyD.F4.y2Ba 300GyD.F4.y2Ba 305GyD.F4.y2Ba 10.1109 / urai.2015.7358958GyD.F4.y2Ba eriksson.GyD.F4.y2Ba j。GyD.F4.y2Ba 吉伦特GyD.F4.y2Ba lGyD.F4.y2Ba 船体GyD.F4.y2Ba B.GyD.F4.y2Ba 牛顿GyD.F4.y2Ba R。GyD.F4.y2Ba 疯狂GyD.F4.y2Ba 年代。GyD.F4.y2Ba Balakrishnan.GyD.F4.y2Ba H。GyD.F4.y2Ba Pothole Patrol：使用移动传感器网络进行道路表面监测GyD.F4.y2Ba 第六届国际移动系统、应用和服务会议论文集GyD.F4.y2Ba 2008年6月GyD.F4.y2Ba Breckenridge，Colo，USAGyD.F4.y2Ba 29.GyD.F4.y2Ba 39.GyD.F4.y2Ba 10.1145 / 1378600.1378605GyD.F4.y2Ba 2-S2.0-57349124799GyD.F4.y2Ba VashistGyD.F4.y2Ba 美国K。GyD.F4.y2Ba 施耐德GyD.F4.y2Ba e . M。GyD.F4.y2Ba 鲁松GyD.F4.y2Ba j . H。GyD.F4.y2Ba 用于个性化医疗监控和管理的商用智能手机设备和智能应用程序GyD.F4.y2Ba 诊断GyD.F4.y2Ba 2014年GyD.F4.y2Ba 4.GyD.F4.y2Ba 3.GyD.F4.y2Ba 104GyD.F4.y2Ba 128.GyD.F4.y2Ba 10.3390 / diagnostics4030104GyD.F4.y2Ba eriksson.GyD.F4.y2Ba j。GyD.F4.y2Ba 吉伦特GyD.F4.y2Ba lGyD.F4.y2Ba 船体GyD.F4.y2Ba B.GyD.F4.y2Ba 牛顿GyD.F4.y2Ba R。GyD.F4.y2Ba 疯狂GyD.F4.y2Ba 年代。GyD.F4.y2Ba Balakrishnan.GyD.F4.y2Ba H。GyD.F4.y2Ba Pothole Patrol：使用移动传感器网络进行道路表面监测GyD.F4.y2Ba 第六届国际移动系统、应用和服务会议论文集GyD.F4.y2Ba 2008年6月GyD.F4.y2Ba Breckenridge，Colo，USAGyD.F4.y2Ba ACM.GyD.F4.y2Ba 29.GyD.F4.y2Ba 39.GyD.F4.y2Ba 10.1145 / 1378600.1378605GyD.F4.y2Ba 2-S2.0-57349124799GyD.F4.y2Ba cherGyD.F4.y2Ba j。GyD.F4.y2Ba 罗GyD.F4.y2Ba j。GyD.F4.y2Ba 郭GyD.F4.y2Ba H。GyD.F4.y2Ba 何GyD.F4.y2Ba s。GyD.F4.y2Ba WisbrunGyD.F4.y2Ba R。GyD.F4.y2Ba 海报:Parkgauge:利用大众感知停车特性来测量停车场的拥堵程度GyD.F4.y2Ba 第十三届ACM嵌入式网络传感器系统会议论文集GyD.F4.y2Ba 2015年11月GyD.F4.y2Ba 韩国首尔GyD.F4.y2Ba ACM.GyD.F4.y2Ba 395.GyD.F4.y2Ba 396.GyD.F4.y2Ba 10.1145 / 2809695.2817881GyD.F4.y2Ba Madansingh.GyD.F4.y2Ba 年代。GyD.F4.y2Ba 打谷机GyD.F4.y2Ba t。GyD.F4.y2Ba layGyD.F4.y2Ba c·S。GyD.F4.y2Ba 李GyD.F4.y2Ba B.GyD.F4.y2Ba 基于智能手机的跌倒检测系统GyD.F4.y2Ba 第15届国际控制，自动化和系统会议的诉讼程序（ICCAS '15）GyD.F4.y2Ba 2015年10月GyD.F4.y2Ba 韩国釜山GyD.F4.y2Ba 370.GyD.F4.y2Ba 374.GyD.F4.y2Ba 10.1109 / iccas.2015.7364941GyD.F4.y2Ba 洪GyD.F4.y2Ba 黄永发。GyD.F4.y2Ba 边缘GyD.F4.y2Ba B.GyD.F4.y2Ba 戴伊GyD.F4.y2Ba 答:K。GyD.F4.y2Ba 一个基于智能手机的传感平台，可以模拟攻击性驾驶行为GyD.F4.y2Ba 第32届ACM计算系统中的人为因素年会论文集(CHI’14)GyD.F4.y2Ba 2014年4月GyD.F4.y2Ba 多伦多，加拿大GyD.F4.y2Ba 4047GyD.F4.y2Ba 4056.GyD.F4.y2Ba 10.1145/2556288.2557321GyD.F4.y2Ba 2-S2.0-84900424058GyD.F4.y2Ba 黄齐的GyD.F4.y2Ba 问:T。GyD.F4.y2Ba 阮GyD.F4.y2Ba 美国D。GyD.F4.y2Ba 伊拉扎尔GyD.F4.y2Ba l . B。GyD.F4.y2Ba GhassemianGyD.F4.y2Ba N。GyD.F4.y2Ba trGyD.F4.y2Ba b . Q。GyD.F4.y2Ba 基于加速度计和陀螺仪的跌倒检测算法的优化GyD.F4.y2Ba 中国传感器杂志GyD.F4.y2Ba 2015年GyD.F4.y2Ba 2015年GyD.F4.y2Ba 8.GyD.F4.y2Ba 452078GyD.F4.y2Ba 10.1155 / 2015/452078GyD.F4.y2Ba 2 - s2.0 - 84928485411GyD.F4.y2Ba 传感器GyD.F4.y2Ba http://en.wikipedia.org/wiki/principal_component_analysis.GyD.F4.y2Ba Azizyan.GyD.F4.y2Ba M。GyD.F4.y2Ba ConstandacheGyD.F4.y2Ba 一世。GyD.F4.y2Ba Roy Choudhury.GyD.F4.y2Ba R。GyD.F4.y2Ba SurroundSense：通过氛围的手机定位指纹GyD.F4.y2Ba 第15届年度ACM移动计算和网络国际会议的诉讼程序（Mobicom'09）GyD.F4.y2Ba 2009年9月GyD.F4.y2Ba 中国,北京GyD.F4.y2Ba ACM.GyD.F4.y2Ba 261.GyD.F4.y2Ba 272.GyD.F4.y2Ba 10.1145 / 1614320.1614350GyD.F4.y2Ba 2-S2.0-70450233520GyD.F4.y2Ba 寄料GyD.F4.y2Ba G。GyD.F4.y2Ba nikoletseas.GyD.F4.y2Ba 年代。GyD.F4.y2Ba PavlopoulouGyD.F4.y2Ba C。GyD.F4.y2Ba 拉特蒂GyD.F4.y2Ba M。GyD.F4.y2Ba 齐格勒GyD.F4.y2Ba 年代。GyD.F4.y2Ba 通过智能手机传感器的日常活动识别分层算法GyD.F4.y2Ba 2015 IEEE第二届物联网世界论坛论文集(WF-IoT’15)GyD.F4.y2Ba 2015年12月GyD.F4.y2Ba 米兰，意大利GyD.F4.y2Ba IEEE.GyD.F4.y2Ba 381.GyD.F4.y2Ba 386.GyD.F4.y2Ba 10.1109 / wf-iot.2015.7389084GyD.F4.y2Ba 曾GyD.F4.y2Ba M。GyD.F4.y2Ba 王GyD.F4.y2Ba X。GyD.F4.y2Ba 阮GyD.F4.y2Ba l . T。GyD.F4.y2Ba 吴GyD.F4.y2Ba P。GyD.F4.y2Ba MengshoelGyD.F4.y2Ba O. J.GyD.F4.y2Ba 张GyD.F4.y2Ba j。GyD.F4.y2Ba 具有动态异构传感器融合的自适应活动识别GyD.F4.y2Ba 2014第六届移动计算、应用和服务国际会议论文集(MobiCASE’14)GyD.F4.y2Ba 2014年11月GyD.F4.y2Ba IEEE.GyD.F4.y2Ba 189.GyD.F4.y2Ba 196.GyD.F4.y2Ba 10.4108 / icst.mobicase.2014.257787.GyD.F4.y2Ba 2-S2.0-84924428184GyD.F4.y2Ba 歌曲GyD.F4.y2Ba C。GyD.F4.y2Ba 吴GyD.F4.y2Ba j。GyD.F4.y2Ba 刘GyD.F4.y2Ba M。GyD.F4.y2Ba 锣GyD.F4.y2Ba H。GyD.F4.y2Ba GOU.GyD.F4.y2Ba B.GyD.F4.y2Ba RESEN：智能手机基于众包的传感和评估骑乘体验GyD.F4.y2Ba 第八届移动自组网与传感器网络国际会议论文集(MSN’12)GyD.F4.y2Ba 2012年12月GyD.F4.y2Ba 成都,中国GyD.F4.y2Ba 147.GyD.F4.y2Ba 152.GyD.F4.y2Ba 10.1109 / msn.2012.10GyD.F4.y2Ba 2-S2.0-84878713361GyD.F4.y2Ba DuongGyD.F4.y2Ba 电视。GyD.F4.y2Ba Bui.GyD.F4.y2Ba H. H.GyD.F4.y2Ba phGyD.F4.y2Ba D.问：GyD.F4.y2Ba venkatesh.GyD.F4.y2Ba 年代。GyD.F4.y2Ba 基于切换隐藏半马尔可夫模型的活动识别与异常检测GyD.F4.y2Ba 1GyD.F4.y2Ba IEEE计算机愿景和模式识别会议的诉讼程序（CVPR '05）GyD.F4.y2Ba 2005年6月GyD.F4.y2Ba 圣地亚哥，加利福尼亚州，美国GyD.F4.y2Ba IEEE.GyD.F4.y2Ba 838.GyD.F4.y2Ba 845.GyD.F4.y2Ba 10.1109 / CVPR.2005.61GyD.F4.y2Ba 2-S2.0-33745164643GyD.F4.y2Ba 谢GyD.F4.y2Ba lGyD.F4.y2Ba 张GyD.F4.y2Ba S.-F。GyD.F4.y2Ba DivakaranGyD.F4.y2Ba 一种。GyD.F4.y2Ba 太阳GyD.F4.y2Ba H。GyD.F4.y2Ba 使用分层隐马尔可夫模型无监督多维统计视频结构的发现GyD.F4.y2Ba 3.GyD.F4.y2Ba 国际多媒体及展览会论文集(ICME’03)GyD.F4.y2Ba 2003年7月GyD.F4.y2Ba 美国马里兰州巴尔的摩GyD.F4.y2Ba III-29GyD.F4.y2Ba III-32.GyD.F4.y2Ba 10.1109 / ICME.2003.1221240GyD.F4.y2Ba BengioGyD.F4.y2Ba y。GyD.F4.y2Ba 学习AI的深层架构GyD.F4.y2Ba 机器学习的基础和趋势GyD.F4.y2Ba 2009年GyD.F4.y2Ba 2GyD.F4.y2Ba 1GyD.F4.y2Ba 1GyD.F4.y2Ba 127.GyD.F4.y2Ba 10.1561 / 2200000006GyD.F4.y2Ba 2 - s2.0 - 69349090197GyD.F4.y2Ba arel.GyD.F4.y2Ba 一世。GyD.F4.y2Ba 玫瑰GyD.F4.y2Ba D. C.GyD.F4.y2Ba KarnowskiGyD.F4.y2Ba t P。GyD.F4.y2Ba 深机学习 - 人工智能研究中的一个新的前沿GyD.F4.y2Ba IEEE计算智能杂志GyD.F4.y2Ba 2010年GyD.F4.y2Ba 5.GyD.F4.y2Ba 4.GyD.F4.y2Ba 13.GyD.F4.y2Ba 18.GyD.F4.y2Ba 10.1109 / mci.2010.938364GyD.F4.y2Ba 2-S2.0-77958488310GyD.F4.y2Ba LenzeriniGyD.F4.y2Ba M。GyD.F4.y2Ba 数据集成:理论视角GyD.F4.y2Ba 第21届美国计算机学会SIGMOD-SIGACT-SIGART数据库系统原理研讨会论文集(PODS’02)GyD.F4.y2Ba 2002年6月GyD.F4.y2Ba 美国威斯康星州麦迪逊GyD.F4.y2Ba ACM.GyD.F4.y2Ba 233GyD.F4.y2Ba 246GyD.F4.y2Ba 2-S2.0-0036036947GyD.F4.y2Ba 勒存GyD.F4.y2Ba y。GyD.F4.y2Ba BengioGyD.F4.y2Ba y。GyD.F4.y2Ba 辛顿GyD.F4.y2Ba G。GyD.F4.y2Ba 深度学习GyD.F4.y2Ba 自然GyD.F4.y2Ba 2015年GyD.F4.y2Ba 521GyD.F4.y2Ba 7553GyD.F4.y2Ba 436GyD.F4.y2Ba 444GyD.F4.y2Ba 10.1038 / Nature14539.GyD.F4.y2Ba 2-S2.0-84930630277GyD.F4.y2Ba SocherGyD.F4.y2Ba R。GyD.F4.y2Ba PerelyginGyD.F4.y2Ba 一种。GyD.F4.y2Ba 吴GyD.F4.y2Ba j . Y。GyD.F4.y2Ba 庄GyD.F4.y2Ba j。GyD.F4.y2Ba 曼宁GyD.F4.y2Ba c, D。GyD.F4.y2Ba NgGyD.F4.y2Ba A. Y.GyD.F4.y2Ba PottsGyD.F4.y2Ba C。GyD.F4.y2Ba 递归深层模型，用于在情绪树木上的语义构思GyD.F4.y2Ba 2013年自然语言处理经验方法学术会议论文集GyD.F4.y2Ba 2013年10月GyD.F4.y2Ba CITESEER.GyD.F4.y2Ba 1631.GyD.F4.y2Ba 1642GyD.F4.y2Ba 2-S2.0-84926358845GyD.F4.y2Ba SocherGyD.F4.y2Ba R。GyD.F4.y2Ba 林GyD.F4.y2Ba C. C.-Y.GyD.F4.y2Ba 曼宁GyD.F4.y2Ba c, D。GyD.F4.y2Ba NgGyD.F4.y2Ba A. Y.GyD.F4.y2Ba 用递归神经网络解析自然场景和自然语言GyD.F4.y2Ba 第28届国际机械学习会议（ICML '11）的诉讼程序GyD.F4.y2Ba 2011年6月GyD.F4.y2Ba Bellevue，洗，美国GyD.F4.y2Ba 129.GyD.F4.y2Ba 136.GyD.F4.y2Ba 2-S2.0-80053438267GyD.F4.y2Ba 辛顿GyD.F4.y2Ba g . E。GyD.F4.y2Ba SalakhutdinovGyD.F4.y2Ba R. R.GyD.F4.y2Ba 用神经网络降低数据的维度GyD.F4.y2Ba 科学GyD.F4.y2Ba 2006年GyD.F4.y2Ba 313GyD.F4.y2Ba 5786GyD.F4.y2Ba 504.GyD.F4.y2Ba 507.GyD.F4.y2Ba 10.1126 / science.11​​27647GyD.F4.y2Ba MR2242509GyD.F4.y2Ba 2 - s2.0 - 33746600649GyD.F4.y2Ba 朱GyD.F4.y2Ba Q。GyD.F4.y2Ba 程yD.F4.y2Ba Z。GyD.F4.y2Ba 全音阶GyD.F4.y2Ba y . C。GyD.F4.y2Ba 基于智能手机的人类活动在建筑物中使用地方约束线性编码识别GyD.F4.y2Ba IEEE第十届工业电子与应用会议论文集(ICIEA’15)GyD.F4.y2Ba 2015年6月GyD.F4.y2Ba 奥克兰，新西兰GyD.F4.y2Ba IEEE.GyD.F4.y2Ba 214GyD.F4.y2Ba 219GyD.F4.y2Ba 10.1109 / iciea.2015.7334113GyD.F4.y2Ba Hemminki.GyD.F4.y2Ba 年代。GyD.F4.y2Ba 努利GyD.F4.y2Ba P。GyD.F4.y2Ba TarkomaGyD.F4.y2Ba 年代。GyD.F4.y2Ba 基于加速度计的运输模式检测智能手机GyD.F4.y2Ba 第11届ACM嵌入式网络传感器系统会议论文集GyD.F4.y2Ba 2013年GyD.F4.y2Ba ACM.GyD.F4.y2Ba 13.GyD.F4.y2Ba 周GyD.F4.y2Ba P。GyD.F4.y2Ba 郑GyD.F4.y2Ba y。GyD.F4.y2Ba 李GyD.F4.y2Ba M。GyD.F4.y2Ba 要等多久?基于参与式感知的公交到站时间预测GyD.F4.y2Ba 第十届移动系统、应用和服务国际会议论文集(MobiSys’12)GyD.F4.y2Ba 2012年6月GyD.F4.y2Ba 英国湖区GyD.F4.y2Ba ACM.GyD.F4.y2Ba 379.GyD.F4.y2Ba 392GyD.F4.y2Ba 10.1145/2307636.2307671GyD.F4.y2Ba 2 - s2.0 - 84864363274GyD.F4.y2Ba 张GyD.F4.y2Ba Z。GyD.F4.y2Ba Poslad.GyD.F4.y2Ba 年代。GyD.F4.y2Ba 一种改进的运输模式识别后校正算法GyD.F4.y2Ba IEEE制度，人和控制论国际会议的诉讼程序（SMC'13）GyD.F4.y2Ba 2013年10月GyD.F4.y2Ba 英国曼彻斯特GyD.F4.y2Ba IEEE.GyD.F4.y2Ba 1512GyD.F4.y2Ba 1518GyD.F4.y2Ba 10.1109 / smc.2013.261GyD.F4.y2Ba 2-S2.0-84893567152GyD.F4.y2Ba RumelhartGyD.F4.y2Ba D. E.GyD.F4.y2Ba 辛顿GyD.F4.y2Ba g . E。GyD.F4.y2Ba 威廉姆斯GyD.F4.y2Ba r . J。GyD.F4.y2Ba 通过错误传播学习内部表示GyD.F4.y2Ba DTIC文档GyD.F4.y2Ba 1985GyD.F4.y2Ba Győrbíró.GyD.F4.y2Ba N。GyD.F4.y2Ba 费边GyD.F4.y2Ba 一个。GyD.F4.y2Ba hományi.GyD.F4.y2Ba G。GyD.F4.y2Ba 移动电话的活动识别系统GyD.F4.y2Ba 流动网络及应用GyD.F4.y2Ba 2009年GyD.F4.y2Ba 14.GyD.F4.y2Ba 1GyD.F4.y2Ba 82.GyD.F4.y2Ba 91.GyD.F4.y2Ba 10.1007 / s11036 - 008 - 0112 - yGyD.F4.y2Ba F1的分数GyD.F4.y2Ba https://en.wikipedia.org/wiki/f1_score.GyD.F4.y2Ba