改进MLN方法提升人类活动识别准确率：解决不确定性挑战

本文主要探讨了一种基于改进马尔可夫逻辑网络（MLN）的人类活动识别新方法，针对当前人类活动识别领域面临的两大挑战——逻辑不确定性和检测不确定性。在传统的MLN中，一阶逻辑中的关系运算符被软化，使得特征函数的取值不再是布尔值，而是扩展到了[0，1]区间，这有助于处理模糊性和概率性信息。作者引入了传感器事件的可信度概念，通过计算闭原子为真的概率，提高了识别的精度。 改进的MLN方法结合了本体论，构建了一个混合识别框架，旨在更好地整合和理解传感器数据中的复杂关系，如时序和因果关系，同时考虑到场景信息。这种方法特别强调了非侵入式的优势，尊重用户的隐私，对于智能家居和智能健康照护等应用场景具有重要意义。 实验部分在包含错误的数据集ADL-E上进行了验证，结果显示，即使面对数据的不完整性，改进的MLN依然能够维持较高的识别准确率。这种技术的进步有助于缓解老年痴呆患者的生活照料问题，减少看护成本，并且可能对未来的智能家居技术发展产生深远影响。 总结来说，本文的核心贡献在于提出了一种新颖的活动识别策略，它利用概率化的MLN处理不确定性，优化了数据融合和关系推理，从而在保持准确性的同时，兼顾了隐私保护和实际应用的需求。这一研究不仅提升了人类活动识别的性能，也为解决相关领域的实际问题提供了有价值的理论支持和技术方案。