TASG：用于非特性HAR的增强分类方法

抽象的

人类活动识别（HAR）系统广泛用于我们的生活，例如医疗保健，安全和娱乐。大多数活动识别模型都在个人模式下测试，性能相当不错。然而，在非人际的模式中仍然是一个巨大的挑战。在本文中，我们提出了一种双层活动稀疏分组（TASG）模型，其中第一层粗略地将活性簇聚集成2-4个组，第二层识别特定类型的活动。由Fisher标准启发的新功能选择度量旨在衡量功能的重要性。我们使用SVM，KNN，随机林和RNN的TASG模型进行实验。在HAPT，MobiAct和HASC-PAC2016数据集上测试实验。实验结果表明，在组合TASG方法的同时，标准分类器的性能已经提高。所提出的度量标准选择的功能比其他FS方法更有效。

1.介绍

在过去的十年中，可适应的传感器技术迅速发展，这导致移动和无处不在的计算中的快速进步。随着传感器的尺寸缩小，能力增加和成本降低，这些电子元件在日常生活中更广泛地使用。人类活动识别（HAR）有许多应用，特别是在健康监测，城市规划，体育教练，娱乐，健身评估和智能家庭中[1]．由这些原因驱动，基于可穿戴传感器的人类活动识别已成为研究热点之一。

目前，简单的活动识别已经取得了较高的准确率[2]．然而，在小规模数据集上获得了这些实验结果，该实验结果仅包含少数人的活动数据。此外，大多数研究工作[3.-5.]采用个人模式进行分类模型训练和测试。个人模式下的训练和测试数据集有普通用户，而非个人模式下的训练和测试数据集之间没有普通用户。在实际应用中，客观模式更为现实[1那6.]．为每个新用户训练模型是非常不方便的。例如，我们无法获得主题活动数据，存在许多活动类别，或者一些活动对于执行的主题来说是不希望的（例如，下降）。Dungkaew等人。[7.]提出了一种用于识别非营养感官流数据中的活动的非个人和轻量级模型，以及WisdM的实验结果[8.数据集显示，对于步行、慢跑和楼梯的识别准确率小于80%。其他研究工作[9.那10.还表明，非人际的活动识别模型的准确性仍然不令人满意。因此，在非特性模式下仍然是一个难以解决的问题。

在人类活动认可的研究中，一些活动很容易被分类，如走路和站立，但有些人令人困惑，比如沿楼走路，走下楼11.]．目前，目前大部分工作[12.-14.]不考虑活动之间的特征差异。它们始终使用所有活动的共同特征，这导致一些尴尬的特征，这对于区分一些活动是无用的，尽管它们具有其他活动的歧视特征。张和Sawchuk [15.]提出了一个多级活动分类模型，该模型将活动手工聚类为若干组。这种方法的缺点如下。(1)手工聚类活动过于主观，无法发现不同活动之间的关系。(2)分类模型层次越高，识别性能越低。

在本文中，我们首先提取数据集上的常见功能。使用ASG将类似的活动聚集到一组中。然后，我们在每个组中执行功能选择。最后，我们分别使用所选功能培训每个组的分类器。本研究的主要贡献列于以下内容：（1）提出了一种两层活动稀疏分组(TASG)方法。利用稀疏系数对不同行为的相似性进行度量，并根据稀疏系数对行为进行聚类。（2）我们提出了一种基于Fisher标准的新功能选择（FS）度量[16.]．具体地，在度量标准的分类任务中，所选特征在最大化类之间的差异并最小化类内的方差中，所选功能更有效。与其他特征选择方法相比，我们的FS方法得分更高。（3）我们使用四个基本分类器测试三个AR数据集。使用我们的TASG增强模型，原始模型的识别性能平均可能会提高约3％。

2.相关工作

人类活动识别的研究早在20世纪90年代就开始了。基于可穿戴传感器的活动识别技术在辅助生活、运动、安全等领域得到了广泛的应用。最近，许多技术被用来分析和分类从可穿戴设备上的传感器收集的数据。

Almeida和Alves [17.]对游戏领域的应用活动识别。它们呈现了一个名为ActiverUnner的活动识别系统，以取代传统的基于触摸的交互。ejupi等。[3.]提出了一种基于小波的算法来检测和评估穿戴式垂挂式设备的坐立动作质量。实验结果表明，老年跌倒者与不跌倒者之间存在显著差异，新方法可以准确检测老年人的坐立动作。侯赛因等人[4.]分析了不同的主动学习策略来扩展活动识别，并提出了动态k-means聚类来解决收集ground truth信息的障碍。Walse等人[5.]介绍了各种分类器在WISDM数据集上的实验工作，其中随机森林的性能最好。

特征选择也是活动识别的研究热点。许多人已经研究过HAR中的不同特征选择方法的应用。功能选择可分为三类[18.评价标准:过滤法、包装法、嵌入法。张和Sawchuk [15.]比较了三种不同的特征选择方法(Relief-F、SFC和SFS)的计算代价和效率。他们使用这些方法选择的特征数量逐渐从5个增加到110个。实验结果表明，在3种特征选择方法中，当包含50个特征时，分类误差逐渐减小。从计算代价来看，Relief-F的计算代价最低，SFS的计算代价最高。并将reliff - f与基于快速相关滤波器和基于相关特征选择进行了比较[19.]，并且由于能够处理不完整和嘈杂的数据而被报告为最佳特征选择算法。还有其他特征选择方法，例如基于反对的二元肾激发算法[20.追踪比率标准[21.]．他。[22.[展示了Laplacian得分对虹膜和饼干数据集的表现。

深度学习（DL）在其他研究领域显示出强大的识别能力。因此，一些研究人员认为将其施加到Har。Ronao和Cho [23.]提出了一个深度卷积神经网络，用于从原始数据提取强大的功能的新型自动方法。Hammerla等人。[24.]在包含可穿戴传感器捕获的运动数据的三个代表性数据集上探索了深度、卷积和循环方法。然而，由于缺乏大型标记数据集，直接将深度学习方法应用于人类活动识别是不可行的。Münzner等人[25.讨论了鲁棒DL开发中的三个关键问题，提出了一种新型压力特异性归一化方法。与其他DL方法相比，结果显示了基于共享滤波器方法的CNN，其具有较小的可用培训数据依赖性。

3.方法

3．1．初步和框架

TASG方法的框架如图所示1，在哪个数字1（a）是tasg和图的培训过程1（b）是TASG的层次结构。首先，我们使用TASG将活动集群到不同的组中。具体来说，我们对训练数据进行稀疏分解。在这个过程中，保证系数向量的稀疏性是很重要的，这将直接影响到后续的分组结果。然后，根据稀疏系数计算不同活动之间的相似性。因此，高度相似的活动被聚在同一组中。随后，我们使用一个新的特征度量对不同的组进行特征选择。然后，我们将同一组作为类来训练第一层分类器(组分类器)，在不同的活动组中使用所选特征训练第二层分类器(组内分类器)。最后，我们得到了一个两层分类模型;第一层分类器确定特定组，第二层分类器确定特定活动类。

本文中使用的符号在表中定义1。

3.2。活动稀疏分组（ASG）

在人类活动识别研究中，一些活动容易分类，如行走和站立，而另一些活动则容易混淆[11.]，如跳过和跳跃。

考虑使用相同的字典的所有活动的稀疏表示，活动越相似，使用越近的原子，其可以通过稀疏系数反射。因此，我们将活动稀疏分组方法提出了根据稀疏系数的群集活动，然后执行特征选择。

3.2.1。活动稀疏分组算法

ASG的算法在算法中进行了总结1。

在算法中，基于稀疏系数向量计算不同活动类之间的相似性。算法可以确保系数α.通过最小化稀疏系数中的非零组件的数量来充分稀疏。

求解稀疏表示需要从字典中寻找最稀疏的线性组合。在本文中，我们使用在线词典学习[26.]解决这些问题。它主要包括两个互迭代部分：稀疏编码和字典更新。

3.2.2。稀疏系数学习

稀疏编码的目标是定义给定的数据向量y作为来自字典的少量基原子的加权线性组合。由于稀疏编码是一个迭代过程，因此可以将解决方案转换为以下优化问题： 在哪里是迭代的数量和是正则化参数。在本文中，我们使用Lars [27.]解决 。

字典学习中的第二部分是基于当前稀疏编码的优化字典。在本文中，使用温暖重启的块坐标血管更新字典[28.]．如下式中所示，可以使用凸字典可允许的组变为凸优化问题，如下所示：

我们更新每一列D._j的D.当保持另一个固定在约束下 。为每一个D._j，我们在[29.]更新它，如以下等式所示：

3.3。功能选择度量标准

功能选择可以帮助我们了解数据，降低计算要求，并提高分类性能。本文设计了一种新的特征度量学习方法。良好的功能始终会降低课堂内的差异，同时增加类之间的差异。考虑到简单和简单的计算，我们提出了一种新的特征选择度量来衡量基于Fisher标准的功能的重要性。该度量标准旨在最大​​限度地减少类内的方差，并最大化类之间的方差，如下所示： 在哪里是差异k -类之间的功能;是差异K.课堂内的最新功能;是一世-th样本K.- 特征;是一世-th样本K.课堂上的音质C;和是卑鄙的k -特征，和是卑鄙的k -课堂上的功能C。

根据式(4.），在课堂内等级和较少的歧视之间具有较大差异的特征越高，而且较高 那该功能越重要。

4.实验和结果

4.1。数据集和实验设置

4.1.1。数据集

在本文中，为了验证我们方法的识别效果，我们在实验中选择了三种不同的刻度数据集，其中HASC-PAC2016是大规模数据集。桌子2还显示了三个数据集的统计信息。

（1）HAPT DataSet[30.]．数据集由一组30名志愿者在19-48岁之内进行，数据集的活动分为两类：基本活动（（1）走路，（2）走楼上，（3）走路楼下，（4）坐着，（5）站立，（6）铺设）和姿势过渡活动（（7）静坐，（8）坐在静坐，（9）坐在谎言，（10）谎言，（11）待命，和（12）谎言）。使用嵌入式加速度计和陀螺仪在智能手机中以恒定的速率收集活动数据。

（2）MobiAct DataSet[31.]．该数据是由一组年龄在20-47岁之间的57名志愿者(42名男性和15名女性)完成的。该数据集包括两部分:秋季数据和日常生活活动。(1)站立，(2)步行，(3)慢跑，(4)跳跃，(5)上楼梯，(6)下楼梯，(7)站着坐着，(8)坐在椅子上，(9)坐着站着，(10)上车，(11)下车，(12)躺着。活动数据也可以通过智能手机内置的加速度计和陀螺仪来收集。

（3）HASC-PAC2016数据集[32.]．数据集由一组510名志愿者（390名男性和120名女性）进行。HASC-PAC2016针对基本的人类活动，包括6个活动：（1）停留，（2）步行，（3）慢跑，（4）跳过，（5）楼上，（6）楼下楼下。使用不同智能手机中的嵌入式加速度计和陀螺仪收集活动数据。

4.1.2。实验设置

在本文中，我们使用非个人（训练集和测试集，没有共同用户）测试模式和5倍交叉验证在以下实验中。

HAPT DataSet有30名志愿者;我们随机将人们分成5组6人;四组用作训练集，一组用于测试。MobiAct DataSet有57个不同的用户，但不是每个人都有所有活动数据;我们过滤掉了那些人，最后18人作为实验数据;他们分为6人3人;五组用作训练集，一组用于测试。对于HASC-PAC2016数据集，数据集中有510人，但不是每个人都有陀螺数据，我们过滤掉了那些人，最后将280人作为实验数据。每个人的采样频率不同;我们在本文中将所有人的采样频率正常化为50 Hz。 Then, we randomly divide people into 5 groups of 56 people each; four groups are used for training, and one group is used for testing.

在本文中，我们使用准确性，精度，召回和F1分数来评估分类器的性能，准确性定义如下： 在哪里（真实的阳性）是指正例和正例的正确分类（真正的否定）是指否定例子的正确分类。（误报）和(假否定)分别代表误分为肯定类的否定类和误分为否定类的肯定类。

准确度措施不考虑不平衡的数据集。因此，精确，召回和F1分数被认为是测量分类器性能：

我们计算每个类的精度，回忆的平均值，作为最终精度，并调用测量分类器。然后，根据精度和召回计算F1分数。

4．2.特征提取

由于原始传感器数据的连续和持久的特性，我们不能直接使用它们作为培训或测试数据。这个问题的常见方法是使用滑动窗口对原始数据执行功能提取。我们将窗口大小设置为4秒，并在实验中重叠为50％。我们提取的功能如表所示3.，有关详细信息，请参阅[33.]．数据集包括加速度计和陀螺数据。因此，我们可以为每个窗口获得162（27 * 6）个功能。

4.3。活动分组结果

4.3.1。HAPT DataSet.

通过TASG算法，我们首先可以得到4个初始组:{步行，步行下楼}，{坐着，站着}，{坐着，站着}，躺着，站着}。剩下的活动是上楼，躺着，站着坐着，坐着站着。我们用最近邻法把它们加到初始群中。最后，我们可以在HAPT数据集上得到四组，如Table所示4.。数字2显示HAPT DataSet上的群集结果的2D曲线图。

4.3.2。MobiAct DataSet.

根据ASG，我们还获得了三个关于Mobiacect DataSet的最后一组：{站立，坐在椅子上，撒谎}，{散步，慢跑，跳跃，楼梯，楼梯下来}，{待命，坐着，坐在地上，汽车步进，汽车走出}如表所示5.。数字3.显示聚类结果的2D曲线。

4.3.3。HASC-PAC2016数据集

数字4.显示了HASC-PAC2016数据集聚类结果的二维图。在图4.，“stay”活动被添加到{walk, stUp, stDown}中，因为在一个组中至少有两个活动。最后得到两组{stay, walk, stUp, stDown}和{jog, skip}，如Table所示6.。

4.4。不同分类方法在非人格模式下的比较

在实验中，我们使用新功能度量进行功能选择，并构建具有SVM的两层ASG模型[18.那34.[随机森林[5.那11.]，knn [12.那13.]和rnn [24.]， 分别。

三个数据集上不同方法的识别性能被显示为表格7.-9.， 分别。桌子7.总结在非洲人形态模式下在HAPT数据集​​上获得的性能结果。显然，与标准SVM，RF，KNN和RNN分别相比，TASG-SVM，TASG-RF，TASG-KNN和TASG-RNN的精度提高，TASG-KNN最多增加。对于F1分数，我们可以看到TASG-SVM与SVM几乎相同，与原始模型相比，其他三种TASG模型的性能显着提高。桌子8.显示了在非特性模式下在MobiAct DataSet上的不同分类方法的性能。为准确性，TASG模型总体上具有2.23％。除了RNN之外，性能也比原始模型更好。桌子9.总结在非特性模式下在HASC-PAC2016数据集上获得的性能结果。数据集的规模非常大，可以观察到TASG模型可以精确提高3.56％，总体上的F1分数3.27％。

不同组中不同模型的分类精度如图所示5.-7.。在HAPT DataSet中，我们选择TASG-SVM模型。我们可以发现，我们的方法的准确性高于四组的其他四种分类方法，特别是在第4组中。对于MobiAct数据集，我们还选择TASG-SVM模型。虽然我们的方法在第3组中不是最好的，但我们在第2组中的方法的分类准确性远比其他四种方法的分类准确性好。对于HASC-PAC2016数据集，我们选择TASG-RF模型。显而易见的是，除了组中的随机森林之外，我们的方法优于其他三种分类方法。实验结果表明，TASG模型选择的特征可以产生比其他FS方法更好的分类结果。

4.5。不同特征选择方法的比较

在本节中，我们将所提出的特征选择方法与其他三个特征选择方法进行比较，例如拉普拉斯分数[22.]，救济 - F [15.，和MCFS [35.]．实验结果如图所示8.-10.。我们的FS方法基于Fisher度量获得的结果比其他方法更好。特别是，当所选特征号相对较小时，我们的方法可以选择更有价值的功能并获得比其他FS方法更高的分数。因此，我们的方法可以使用较少的功能来实现其他FS方法的相同精度。

5.结论

在本文中，我们提出了一个双层活动稀疏分组分层模型，以增加一般分类模型的性能。根据稀疏系数聚集类似的活动。我们发现{散步，楼梯，楼梯下降}和{Stand，Sit，Lay}活动分别非常相似。实验结果表明，我们的TASG等级模型的性能可以在非特性模式下对HAR数据集提高约3％。此外，提出了一种基于Fisher标准的新特征选择度量。实验结果表明，新特征度量比HAR中的其他特征选择方法更有效。

数据可用性

本文实验中的三个数据集可以自由访问。Web链接列列如下。（1）用于支持本研究调查结果的HAPT数据集​​已在使用智能手机数据集的人类活动识别的存储库中存放（http://archive.ics.uci.edu/ml/datasets/smartPhone-Based+ recognition +Of+Human+Activities +Sacturativities +Spostural +Transitions.）。（2）用于支持本研究结果的MobiAct数据集已存入MobiAct的存储库（https://bmi.teicrete.gr/en/the-mobifall-and-mobiasct-datasets-2/）。（3）用于支持本研究结果的数据集已存入HASC-PAC2016的存储库（http://hub.hasc.jp/）。

利益冲突

作者声明本论文的发表不存在任何利益冲突。

致谢

该工作得到了中国浙江省自然科学基金（No.117F020008）的支持，部分由杭州科技发展计划项目（20150533B15）部分。

参考

1. O. D. Lara和M. A. Labrador，“使用可穿戴传感器的人类活动识别调查”IEEE通信调查和教程，卷。15，不。3，pp。1192-1209,2013。视图:出版商网站|谷歌学术
2. L. Peng，L. Chen，X. Wu等，“使用主题模型和分类器级融合的分层复杂的活动表示和识别，”生物医学工程的IEEE交易(第64卷)6，PP。1369-1379,2017。视图:出版商网站|谷歌学术
3. A. Ejupi，M.Brodie，S. R.勋爵，J.Nanegarn，S. J. Redmond和K. Delbaere，基于小波的坐在地面检测和评估使用可穿戴吊坠装置的老年人的坠落风险评估，“生物医学工程上的IEEE交易(第64卷)7，页1602-1607,2016。视图:出版商网站|谷歌学术
4. H. M. S. Hossain，M.A.A.H. Khan和N. Roy，“积极学习的活动认可”IEEE普适计算与通信国际会议论文集，pp.1-9，悉尼，澳大利亚，2016年3月。视图:谷歌学术
5. K. H. Walse, R. V. Dharaskar, V. M. Thakare，“WISDM数据集人类活动识别分类器的性能评估”，载于竞争策略的信息与通信技术会议会议课程，pp.1-7，乌代浦，印度，2016年3月。视图:谷歌学术
6. G. M.Weiss，J.L.Inicko，C. M. Gallagher，K. Yoneda和A. J. Schreiber，“基于SmartWatch的活动识别：机器学习方法”，IEEE-enbs国际生物医学与健康信息学国际会议，pp.426-429，Vegas，NV，美国，2016年2月。视图:谷歌学术
7. T. Dungkaew，J.Suksawatchon和U. Suksawatchon，“基于非人际的智能手机的活动识别，使用加速度计感官数据”国际信息技术会议会议诉讼程序，pp.1-6，Nakhon Pathom，泰国，2017年11月。视图:谷歌学术
8. WISDM DataSet，2012年，http://www.cis.fordham.edu/wisdm/dataset.php。
9. J. W. Lockhart和G. M. Weiss，“基于智能手机的个性化活动识别模型的好处”2014年SIAM数据挖掘国际会议论文集2014年4月，美国宾夕法尼亚州费城，614-622页。视图:谷歌学术
10. G. M. Weiss，J.W.Lockhart，T.T.Pulickal等，“ActiTracker：基于智能手机的活动识别系统，用于改善健康和福祉，”IEEE数据科学与先进分析国际会议的诉讼程序，pp。682-688，蒙特利尔，加拿大，2016年10月。视图:谷歌学术
11. H.ICHINO，K.Kaji，K.Sakurada等，“HASC-PAC2016：大规模人体行人活动语料库及其基线识别”美国计算机学会普适和普适计算国际联合会议论文集，pp.705-714，海德堡，德国，2016年9月。视图:谷歌学术
12. N.Pannurat，S.Thiemjarus，E.Nantajeewarawat和I. Anantavraasilp，“关于活动分类和应用的最佳传感器位置”的分析，不同的数据收集方案，“传感器，卷。17，不。4，p。774,2017。视图:出版商网站|谷歌学术
13. D. Yazdansepas，A.H. Niazi，J.L. Gay等，“一种基于可穿戴传感器的人类活动识别的多功能方法”IEEE医疗保健信息学国际会议的诉讼程序，第423-431号，芝加哥，伊利诺伊州，2016年10月。视图:谷歌学术
14. M. Bilal，F.K.Shaikh，M. Arif和M. F. Wyne，“Repace的机器学习申请框架，以获得最佳活动识别”，“集群计算，卷。20，没有。3，pp。1-17,2017。视图:出版商网站|谷歌学术
15. M. Zhang And A. Sawchuk，“使用可穿戴多式联传感器的人类活动识别的一个特征选择框架”普遍存在计算的ACM会议课程，PP。2011年9月1036-1043，北京1036-1043。视图:谷歌学术
16. S. Mika, G. Ratsch, J. Weston等，“kernel的Fisher判别分析”神经网络在信号处理中的应用，1999。1999年IEEE信号处理学会研讨会论文集，第41-48页，麦迪逊，威廉，美国，1999年。视图:谷歌学术
17. A. Almeida和A. Alves，“移动游戏中基于运动的互动活动认可”第19届人机交互与移动设备和服务国际会议论文集- mobilehci ' 17，Lap Lambert学术出版社，维也纳，奥地利，2017年9月。视图:谷歌学术
18. G. Chandrashekar和F. Sahin，特征选择方法综述，Pergamon Press，Inc。，牛津，英国，2014年。
19. I. Kononenko，“分析和延长救济”欧洲机器学习会议和数据库知识发现的原则和实践的诉讼程序，卡塔尼亚，意大利，1994年4月。视图:谷歌学术
20. M. K. Taqi和R. Ali，“Obka-FS：基于对立的二元肾脏透明搜索算法，用于特征选择”论理论与应用信息技术第95卷，第2期。1, 2017。视图:谷歌学术
21. F. Nie，S. Xiang，Y.Jia，C.张和S. Yan，“特征选择的痕量标准”第23届AAAI人工智能大会的诉讼程序，pp.671-676，芝加哥，伊利诺伊州，2008年7月。视图:谷歌学术
22. X. He，D.Cai和P. Niyogi，“Laplacian评分为特征选择”国际神经信息处理系统国际会议诉讼程序，pp.507-514，MIT新闻，加拿大温哥华，2005年12月。视图:谷歌学术
23. C. A. Ronao和S. Cho，使用深度学习神经网络的智能手机传感器的人类活动识别，Pergamon Press，Inc。，牛津，英国，2016年。
24. N. Y. Hammerla，S. Halloran和T.Ploetz，“深度，卷积和经常性的人类活动识别模型使用可穿戴物品”科学计算，卷。61，没有。2，pp。454-476,2016。视图:谷歌学术
25. S.Münzner，P. Schmidt，A.Reiss等，“基于CNN的传感器融合技术，用于多式联利人类活动识别”2017年ACM国际佩带电脑国际研讨会上的课程 - ISWC'17，pp.158-165，西雅图，WA，美国，2017年9月。视图:谷歌学术
26. J. Mairal，F. Bach，J. Ponce等，“稀疏编码的在线词典学习，”机器学习国际会议论文集，ICML， 689-696页，蒙特利尔，QC，加拿大，2009年6月。视图:谷歌学术
27. B. efron，T.Hastie，I. Johnstone等，“最小角度回归”，统计年鉴，卷。32，不。2，p。407,2004。视图:出版商网站|谷歌学术
28. D. P. Bertsekas，“非线性编程”，作业研究会杂志，第48卷，第48期。3，第334页，1997。视图:出版商网站|谷歌学术
29. D. L. Dohoho，“压缩传感”，信息理论上的IEEE交易，卷。52，没有。4，pp。1289-1306,2006。视图:出版商网站|谷歌学术
30. 2015年HAPT数据集,http://archive.ics.uci.edu/ml/datasets/smartPhone-Based+ recognition +Of+Human+Activities +Sacturativities +Spostural +Transitions.。
31. 2016年MobiAct数据集,https://bmi.teicrete.gr/en/the-mobifall-and-mobiasct-datasets-2/。
32. HASC-PAC2016数据集，2016年，http://hub.hasc.jp/。
33. B. Boashash，N. A. Khan和T. Ben-Jabeur，使用高分辨率TFDS的模式识别的时间频率特征：教程评论，“数字信号处理，卷。40，pp。1-30,2015。视图:出版商网站|谷歌学术
34. I. Cleland, B. Kikhia, C. Nugent等人，“用于检测日常活动的加速度计的最佳配置，”传感器第13卷，没有。7, pp. 9183-9200, 2013。视图:出版商网站|谷歌学术
35. D. CAI，C. Zhang和X. He，“对于多集群数据的无监督功能选择”ACM SIGKDD国际知识发现和数据挖掘会议，pp.333-342，纽波特海滩，加州，2010年8月。视图:谷歌学术

版权

版权所有©2018曾伟郑等人。这是分布下的开放式访问文章创意公共归因许可证，允许在任何媒介上不受限制地使用、分发和复制，只要原稿被适当引用。