[发明专利]一种基于Shapelet的多传感器融合的活动识别方法

摘要

本发明提供一种基于Shapelet的多传感器融合的活动识别方法，本发明所提出的方法将多个传感器信息融合构建机器学习模型，与对每个传感器数据构建一个模型再使用模型分类结果进行投票的方法相比，减少了由于单个传感器分类不准确导致整体分类不准确的问题。该方法首先将时间序列的每一维上提取的Shapelet组成一个SShapelet集合，其次将原始时间序列数据集按照相同的时间间隔组成myInstance集，再通过计算myInstance集与SShapelet集的距离得到新的训练集，最后使用机器学习分类算法对所产生的新的训练集进行训练生成模型，所生成的模型能准确地分类日常活动的传感器数据，同时与传统的基于传感器的活动识别方法相比，可以使用更少的数据集达到更高的准确率。

主权项

1.一种基于Shapelet的多传感器融合的活动识别方法，其特征在于，将所有传感器信息组成一个分类器，包括如下步骤：第一步，对多维时间序列的每一维提取Shapelet将传感器采集到的活动数据集分为两部分：训练集和测试集，对训练集中的多维时间序列的每一维，产生所有长度为minLen到maxLen的候选Shapelet集，计算出每一个候选Shapelet的信息增益值，并将Shapelet按照信息增益值的大小进行排序，同时，移除掉自相似的Shapelet，所述自相似的Shapelet为来自同一条时间序列且具有重叠的Shapelet；从移除自相似后的Shapelet中选取出信息值最大的K个Shapelet组成KShapelets集；从训练集的每一维中提取出的Shapelet都要加入到Kshapelets集中，不断更新KShapelets集，使得KShapelets中始终保存着当前最好的K个Shapelet；从训练集中提取出了KShapelets后，将KShapelets进行聚类操作，得到含有S个Shapelet的SShapelets集，即为所有传感器产生的Shapelet的一个融合；第二步，建立myInstance集myInstance集是由相同时间间隔内各个传感器的数据及所属的类别组成，将不同传感器文件中行号相同的时间序列及这一组时间序列的标签组合在一起，每个传感器文件中有n条时间序列，则最终产生n个myInstance，形成myInstance集；第三步，计算相似性矩阵相似性矩阵是通过SShapelets集与myInstance集计算距离得到的一个新的数据集，新的数据集以矩阵的形式体现；SShapelets中的每一个Shapelet来自多维时间序列中的一维，myInstance集中的一个myInstance是多维的时间序列，多维的myInstance与一维的Shapelet计算距离的规则是：计算Shapelet与myInstance中与Shapelet同一维度的时间序列的距离；将Shapelet作为行，myInstance作为列，计算得出的距离作为矩阵中的元素，该矩阵称为相似性矩阵，将该相似性矩阵作为新的训练集；第四步，训练模型及预测对新的训练集使用机器学习分类算法进行训练，产生活动识别模型；将第一步中的测试集做第二步、第三步操作，得到测试集的相似性矩阵，将该相似性矩阵放入到活动识别模型中，模型自动给出预测结果。