智能终端行为识别系统研究：特征选择与分类器优化

"该资源是一篇关于行为识别系统研究与应用的硕士论文，作者曹亮，指导教师王玉峰，属于南京邮电大学电子与通信工程专业。论文主要探讨了基于智能终端的行为识别系统，涉及特征工程、监督学习算法优化和实际系统设计等方面。" 正文: 行为识别系统是一种重要的技术，它在个人健康管理、医疗和娱乐等领域有着广泛应用，通过识别人的行为来获取其当前状态信息，进而实现更高效的人机交互。这篇论文深入研究了这一领域，不仅关注理论分析，还结合了企业实践，以证明行为识别系统的实用价值。 论文的核心工作主要包括三个方面： 1. 特征工程方面，论文提出了基于特征可信度和成本的特征选择方法，利用二进制粒子群优化算法（BPSO）改进特征选择过程。这种方法在UCI公开数据集上的实验结果显示，相比于标准BPSO，它能提高KNN分类器的准确率，并加速粒子群的收敛速度。 2. 在监督学习算法优化上，论文创新性地使用聚类技术构建行为组，形成层级拓扑结构的识别方案，以此优化分类器。实验结果表明，该方案在UCI数据集上取得了94.1636%的最佳分类准确性，优于RandomTree、J48、BayesNet、KNN和Decision Table等常见分类方法。 3. 最后，论文设计并实现了基于Android智能手机的完整行为识别系统，包括Android APP和Web端管理系统。该系统利用手机内置传感器收集行为数据，并在服务器端完成算法建模和实时识别，涵盖了机器学习工程的关键环节，具有实际的工程应用意义。 论文的这些研究成果不仅在理论上推进了行为识别系统的发展，而且在实践中为实际应用提供了可行的技术方案，特别是在智能终端上的应用，使得行为识别更加贴近日常生活，无侵入性，有利于系统的普及。此外，论文还强调了对原始数据的处理和模型优化，这对于提高系统性能至关重要。 这篇论文对于理解行为识别系统的工作原理，以及如何通过特征工程和算法优化提升系统性能，提供了深入的见解和实用的解决方案。同时，它也为未来的研究者和开发者提供了一个实际操作的参考框架，推动了行为识别技术在健康监测、人机交互等领域的进一步发展。