TY - Jour A2 - Han，Chunjia Au - Liu，Zongying Au - Li，Shaoxi Au - Ha，Jiangling Au - Hu，Jingfeng Au - Pan，Mingyang Py - 2021Da - 2021/06/03 - 一种高效和快速的模型减少人类活动识别的内核knn - 2026895 VL - 2021 AB - 积累数据和人工智能发展，人类活动识别吸引了研究人员的注意力。许多经典机器学习算法，如人工神经网络，馈线神经网络， K.- 最终邻居和支持向量机，达到检测人类活动的良好表现。然而，这些算法具有自己的局限性，它们的预测精度仍然具有改进的空间。在这项研究中，我们专注于 K.- 最邻居（knn）并解决其限制。首先，在模型KNN中采用内核方法，其将输入特征转换为高维特征。具有内核（K-KNN）的提出的模型KNN提高了分类的准确性。其次，提出了一种简化的核法，并用于模型K-KNN，其被命名为降低的内核KNN（RK-KNN）。它减少了处理时间并增强了分类性能。此外，本研究提出了一种定义数量的方法 K.邻居降低了参数依赖性问题。基于实验工作，与其他模型相比，所提出的RK-KNN在基准和人类活动数据集中获得最佳性能。它具有人类活动认可的超级级别能力。人类活动数据的准确性分别为HAPT和智能手机的92.67％的91.60％。随着传统的KNN比较，所提出的型号RK-KNN比较的型号将精度提高1.82％，并降低标准偏差0.27。所有数据集中KNN和RK-KNN之间的处理时间的小间隙仅为1.26秒。SN - 0197-6729 UR - https://doi.org/10.1155/2021/2026895 Do - 10.1155 / 2021/2026895 JF - 高级运输PB - Hindawi KW - ER -