English
A correlation-based binary particle swarm optimization method for feature selection in human activity recognition
文件大小：
1225k
资源说明：A correlation-based binary particle swarm optimization method for feature selection in human activity recognition
在当今社会，随着科技的快速发展，智能传感器技术已经取得了巨大的进步。这些传感器可以被应用在多种场景中，极大地促进了我们日常生活的便利性。特别是在人类活动识别领域，传感器的应用已经变得越来越广泛。在这一过程中，有效的特征选择对于学习过程的效率和准确性至关重要。特征选择方法的目的是从所有可用的特征中选取最具有代表性的特征子集，以便提高识别系统的性能。
在过去的研究中，特征选择算法大多基于特征之间的独立性假设。这种方法虽然简化了问题，但在某些情况下会导致性能下降。原因在于现实世界中，特征之间往往存在一定的相关性。例如，在人类活动识别过程中，某些传感器数据特征可能会彼此高度相关，仅仅考虑独立性可能会忽略这些特征间的有用信息。
针对上述问题，本文提出了一种基于相关性的二进制粒子群优化算法来选择特征，用于人类活动识别。在所提出的算法中，粒子群优化算法不再被当作一个黑盒子使用。算法引入了特征间的相关系数作为特征相关因子，并将其加入到二进制粒子群优化过程中来确定粒子的位置。这意味着包含更多信息的特征更有可能被选中。此外，使用k-最近邻分类器作为粒子群优化中的适应度函数，用来评估特征子集的性能，即具有最高k-最近邻分类器识别率的特征组合会被选作特征选择的特征向量。
本文中还提到了该新算法在OPPORTUNITY活动识别数据集上的分类准确率得到了提升，并且它与六种分类器（包括J48决策树、随机森林、k-最近邻、多层感知器、朴素贝叶斯和支持向量机）都有良好的配合效果。这一结果表明，考虑特征相关性的优化方法能够有效地提高分类性能。
文章中还强调了由于超低功耗传感器技术的快速发展，基于传感器的应用能够从多个方面促进我们的日常生活。与基于视觉的活动识别相比，传感器数据可以提供更为丰富和细腻的信息，这些信息对于人类活动的准确识别至关重要。
总体而言，本文的研究工作提供了一种新的特征选择方法，它通过引入特征相关性来改进传统二进制粒子群优化算法，在人类活动识别任务中取得了很好的效果。该方法不仅提高了识别性能，而且还展示了其在多种分类器中具有良好的通用性。这项研究的贡献在于它提升了相关领域算法的性能，并且为未来的研究提供了一种新的思路和方法。通过此类研究，我们可以期待未来的人类活动识别技术将变得更加智能化和高效。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
