[发明专利]一种基于机会感知的行为识别方法和系统

权利要求书

1.一种基于机会感知的行为识别方法，其特征在于，包括：

模型建立步骤，通过可穿戴传感器采集用户行为的初始数据，对该初始数据进行处理以构建用于识别该用户行为的感知模型；

数据感知步骤，通过该可穿戴传感器采集该用户行为的增量数据；

数据选择步骤，使用基于K近邻数据描述的异常点检测方法，将该增量数据中待检测数据点的局部密度和与其相邻的多个邻居数据点的局部密度进行比较，若该待检测数据点的的局部密度小于该多个邻居数据点的局部密度，则以该待检测数据点为异常点，遍历该增量数据以获取多个异常点；使用基于模糊的聚类方法，将所有异常点聚类成簇，并根据预设的概率对每一簇进行用户行为类别的标识，该用户行为类别包括已知类别和新增类别；设定选取阈值，将该簇所包含的增量数据通过该感知模型获取预测结果，若该预测结果小于该选取阈值，则以该簇所包含的增量数据作 为机会数据，反之则将其丢弃；

机会计算步骤，以该机会数据对该感知模型进行更新。

2.如权利要求1所述的行为识别方法，其特征在于，还包括：

熵评估步骤，设定熵增速率阈值，获取更新后的该感知模型的信息熵，若该信息熵的增加速率大于该熵增速率阈值，则对该机会计算步骤进行反馈调整；

反馈调整步骤，调整该机会计算步骤的模型参数。

3.如权利要求1所述的行为识别方法，其特征在于，所述机会计算步骤采用基于单隐层前馈神经网络超限学习机的动态可调网络对该感知模型进行更新。

4.如权利要求2所述的行为识别方法，其特征在于，所述熵评估步骤具体包括：

以更新前的该感知模型的信息熵为H_(n-1)，以更新后的该感知模型的信息熵为H_(n)，则经过k次更新的该感知模型的信息熵为若信息熵H_(k)的增加速率小于或等于该熵增速率阈值，则表示经过k次更新的该感知模型的性能得到保持，反之则对该机会计算步骤进行反馈调整；其中0＜n≤k，n、k为正整数，为用户行为类别，为对应该用户行为类别的识别概率。

5.一种基于机会感知的行为识别系统，其特征在于，包括：

模型建立模块，用于建立用户行为的感知模型；其中通过可穿戴传感器采集该用户行为的初始数据，对该初始数据进行处理以构建该感知模型；

数据感知模块，用于通过该可穿戴传感器采集该用户行为的增量数据；

数据选择模块，用于对该增量数据进行筛选，以从中获取机会数据；具体包括：异常点检测模块，用于使用基于K近邻数据描述方法，将该增量数据中待检测数据点的局部密度和与其相邻的多个邻居数据点的局部密度进行比较，若该待检测数据点的的局部密度小于该多个邻居数据点的局部密度，则该待检测数据点为异常点，遍历该增量数据以获取多个该异常点；异常点聚类模块，用于将所有该异常点聚类成簇，并根据预设的概率对每一簇进行用户行为类别的标识，该用户行为类别包括已知类别和新增类别；机会数据判别模块，用于将该簇所包含的增量数据通过该感知模型获取预测结果，若该预测结果小于预设的选取阈值，则以该簇所包含的增量数据为该机会数据，反之则将其丢弃；

机会计算模块，用于以该机会数据对该感知模型进行更新。

6.如权利要求5所述的行为识别系统，其特征在于，还包括：

熵评估模块，用于获取更新后的该感知模型的信息熵，以对该感知模型进行熵评估；设定熵增速率阈值，获取更新后的该感知模型的信息熵，若该信息熵的增加速率大于该熵增速率阈值，则对该机会计算模块进行反馈调整；

反馈调整模块，用于调整该机会计算模块的模型参数。

7.如权利要求5所述的行为识别系统，其特征在于，所述机会计算模块采用基于单隐层前馈神经网络超限学习机的动态可调网络对该感知模型进行更新。

8.如权利要求6所述的行为识别系统，其特征在于，所述熵评估模块具体包括：设定熵增速率阈值，以更新前的该感知模型的信息熵为H_(n-1)，以更新后的该感知模型的信息熵为H_(n)，则经过k次更新的该感知模型的信息熵为若信息熵H_(k)的增加速率小于或等于该熵增速率阈值，则表示经过k次更新的该感知模型的性能得到保持，反之则对该机会计算步骤进行反馈调整；其中0＜n≤k，n、k为正整数，为用户行为类别，为对应该用户行为类别的识别概率。