<kbd id='HAqOpFltv5awOMe'></kbd><address id='HAqOpFltv5awOMe'><style id='HAqOpFltv5awOMe'></style></address><button id='HAqOpFltv5awOMe'></button>

              <kbd id='HAqOpFltv5awOMe'></kbd><address id='HAqOpFltv5awOMe'><style id='HAqOpFltv5awOMe'></style></address><button id='HAqOpFltv5awOMe'></button>

                      <kbd id='HAqOpFltv5awOMe'></kbd><address id='HAqOpFltv5awOMe'><style id='HAqOpFltv5awOMe'></style></address><button id='HAqOpFltv5awOMe'></button>

                              <kbd id='HAqOpFltv5awOMe'></kbd><address id='HAqOpFltv5awOMe'><style id='HAqOpFltv5awOMe'></style></address><button id='HAqOpFltv5awOMe'></button>

                                      <kbd id='HAqOpFltv5awOMe'></kbd><address id='HAqOpFltv5awOMe'><style id='HAqOpFltv5awOMe'></style></address><button id='HAqOpFltv5awOMe'></button>

                                              <kbd id='HAqOpFltv5awOMe'></kbd><address id='HAqOpFltv5awOMe'><style id='HAqOpFltv5awOMe'></style></address><button id='HAqOpFltv5awOMe'></button>

                                                      <kbd id='HAqOpFltv5awOMe'></kbd><address id='HAqOpFltv5awOMe'><style id='HAqOpFltv5awOMe'></style></address><button id='HAqOpFltv5awOMe'></button>

                                                              <kbd id='HAqOpFltv5awOMe'></kbd><address id='HAqOpFltv5awOMe'><style id='HAqOpFltv5awOMe'></style></address><button id='HAqOpFltv5awOMe'></button>

                                                                  您好!欢迎进入温州澳门老葡京投资管理有限公司官网

                                                                  澳门老葡京_按照手机传感器数据辨认用户行为模式
                                                                  作者:澳门老葡京 发布日期:2018-08-08 阅读:8199

                                                                    随机警妙手机的遍及,在一般糊口中,大大都人在做任何工作的时辰,城市随身携带手机。假如开启手机中的传感器,当用户行为时,就可以收罗大量的用户信息,按照这些信息,就可以判定当前用户的行为模式,如行走、上楼梯、下楼梯、坐、站立、躺劣等等。基于这些行为模式,计划差异的场景,为健身类或行为类应用(APP)增进一些风趣成果。

                                                                    在智妙手机中,常见的位置信息传感器就是 加快度传感器(Accelerometer)和陀螺仪(Gyroscope)。

                                                                    加快度传感器:用于丈量手机移动速率的变革和位置的变革;

                                                                    陀螺仪:用于测试手机移动偏向的变革和旋转速率的变革;

                                                                    传感器

                                                                    本文首要按照手机的传感器数据,实习深度进修模子,用于猜测用户的行为模式。

                                                                    技能方案:

                                                                    DL:DeepConvLSTM

                                                                    Keras:2.1.5

                                                                    TensorFlow:1.4.0

                                                                    数据

                                                                    本例的数据来历于UCI(即UC Irvine,加州大学欧文分校)。数据由年数在19-48岁之间的30位志愿者,智妙手机牢靠于他们的腰部,执行六项举措,即行走、上楼梯、下楼梯、坐、站立、躺下,同时在手机中存储传感器(加快度传感器和陀螺仪)的三维(XYZ轴)数据。传感器的频率被配置为50HZ(即每秒50次记录)。对付所输出传感器的维度数据,举办噪声过滤(Noise Filter),以2.56秒的牢靠窗口滑动,同时窗口之间包括50%的重叠,即每个窗口的数据维度是128(2.56*50)维,按照差异的行为种别,将数据举办标注。传感器含有三类:身材(Body)的加快度传感器、整体(Total)的加快度传感器、陀螺仪。

                                                                    以下是按照数据绘制的行为曲线,站立(赤色)、坐(绿色)、躺下(橙色)的振幅较小,而行走(蓝色)、上楼梯(紫色)、下楼梯(玄色)的振幅较大。

                                                                  按照手机传感器数据辨认用户行为模式

                                                                    行为曲线

                                                                    以下是在行走(Walking)中,三类传感器的三个轴,共9维数据的行为曲线:

                                                                  按照手机传感器数据辨认用户行为模式

                                                                    传感器 - 行走

                                                                    以下是在坐(Sitting)中的行为曲线:

                                                                  按照手机传感器数据辨认用户行为模式

                                                                    传感器 - 坐

                                                                    通过调查可知,差异行为模式的传感器数据曲线拥有必然的差别性,可是有些行为模式的差别性并不明明,如行走、上楼梯、下楼梯之间;沟通行为模式的传感器数据曲线也各不沟通。

                                                                    在数据源中,70%的数据作为实习数据,30%的数据作为测试数据,天生实习数据的志愿者与天生测试数据的差异,以担保数据的严谨性,切合在现实应用中猜测未知用户举措的准则。

                                                                    UCI数据源

                                                                    模子

                                                                    模子是基于深度进修的DeepConvLSTM算法,算法融合了卷积(Convolution)和LSTM操纵,既可以进修样本的空间属性,也可以进修时刻属性。在卷积操纵中,通过将信号与卷积核相乘,过滤波形信号,保存高层信息。在LSTM操纵中,通过影象或忘记前序信息,发明信号之间的时序相关。

                                                                    DeepConvLSTM算法的框架,如下:

                                                                  按照手机传感器数据辨认用户行为模式

                                                                    DeepConvLSTM

                                                                    将每类传感器(身材加快度、整体加快度、陀螺仪)的3个坐标轴(XYZ)数据,归并成一个数据矩阵,即 (128, 3)维,作为输入数据,每类传感器均建设1个DeepConvLSTM模子,共3个模子。通过3次卷积操纵和3次LSTM操纵,将数据抽象为128维的LSTM输出向量。

                                                                    在CNN的卷积单位中,通过卷积(1x1卷积核)、BN、MaxPooling(2维chihua)、Dropout的组合操纵,持续3组,最后一组执行Dropout。通过MaxPooling的降维操纵( 2^3=8),将128维的数据转为为16维的高层特性。

                                                                  按照手机传感器数据辨认用户行为模式

                                                                    CNN

                                                                    在RNN的时序单位中,通过LSTM操纵,隐含层神经元数配置为128个,持续三次,将16维的卷积特性转换为128维的时序特性,,再执行Dropout操纵。

                                                                  按照手机传感器数据辨认用户行为模式

                                                                    LSTM

                                                                    最后,将3个传感器的3个模子输出,归并(Merge)为一个输入,即 128*3=384,再执行Dropout、全毗连(Dense)、BN等操纵,最后行使Softmax激活函数,输出6个类此外概率。

                                                                  按照手机传感器数据辨认用户行为模式

                                                                    Merged

                                                                    选择概率较大的种别,作为最终猜测的行为模式。

                                                                    结果

                                                                    在第48层中,即Concatenate层,将3个传感器的LSTM输出归并(Merge)成1个输入,差异类此外特性,结果也差异,如:

                                                                    Merged Layer

                                                                    实习参数:

                                                                    epochs = 100batch_size = 256kernel_size = 3pool_size = 2dropout_rate = 0.15n_classes = 6

                                                                    最终结果,在测试齐集,精确率约为95%阁下:

                                                                    loss: 0.0131 - acc: 0.9962 - val_loss: 0.1332 - val_acc: 0.9535val_f1: 0.953794 — val_precision: 0.958533 — val_recall 0.949101

                                                                    假如继承调解参数,还可以晋升精确率。

                                                                    通过深度进修算法实习的用户举措辨认模子,可以应用于移动端举办场景检测,包括行走、上楼梯、下楼梯、坐、站立、躺劣等六种举措。同时,95%的精确率已经满意大大都产物的需求。