没有合适的资源?快使用搜索试试~ 我知道了~
机器学习应用于步态识别的生物特征认证技术
工程科学与技术,国际期刊23(2020)931完整文章步态识别AybukeAyleci,ArmaganYildirak,KaanOzyazici,GulsenAyluctarhan,OnurAgbulut,IbrahimZincir计算机工程系,Yasar大学,Agacli Yol,No.35-37,Bornova,Izmir 35100,土耳其阿提奇莱因福奥文章历史记录:收到2019年2020年1月22日修订2020年1月22日接受在线预订2020年关键词:机器学习安全步态识别人体检测生物识别A B S T R A C T生物特征认证的基础是每个人的身体和行为特征可以被准确地多年来开发了许多认证技术。人体步态识别就是其中之一。本文探讨了HugaDB数据库上用于用户身份验证的机器学习技术,HugaDB数据库是用于分析和活动识别的人类步态数据集合(Chereshnev和Kertesz-Farkas,2017)。在这个数据集中记录的活动是步行,跑步,坐着和站着。这些数据是通过可穿戴加速度计和陀螺仪等设备收集的。数据总共描述了18个个体,因此我们将每个个体视为不同的类别。在HugaDB上实现了10种常用的机器学习算法通过IB1、随机森林和贝叶斯网络算法,该©2020 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍身份识别是安全中最重要的方面之一。生物识别技术是可以用来识别单个.例如,指纹识别用于通过使用人们的指纹来彼此识别。除了指纹识别,其他生物特征包括耳朵、静脉、视网膜和步态识别。步态识别,识别一个人在步态分析中,一个人的运动描述了个人的行走方式,这意味着它可以用于识别一个人。步态识别是一种用于识别生物和行为规范的生物特征识别技术。步态识别技术的方法分为两种,第一种是基于整体的方法,第二种是基于模型的方法。 基于整体的方法依赖于提取基于运动的统计特征,而基于模型的方法识别身体部位来创建3D步态模型。本文尝试将步态识别技术作为一种身份识别系统,以步行活动为基础,将多种活动结合起来进行识别。为此,我们的目标是探索机器学习技术,并了解它们在使用步态模式进行用户身份验证方面的优缺点。这一制度是其独特的属性之一。使用开源数据库HugaDB,它由多种类型的行为组成,例如:跑步,步行,站立*通讯作者。由Karabuk大学负责进行同行审查坐着数据收集自身体传感器网络,该网络由位于左右大腿、小腿和脚上的六个可穿戴惯性传感器组成。除此之外,还在四头肌上使用了两个EMG传感器来测量肌肉活动。在最后,从18名参与者中收集了2,111,962份长达10 h的样本。本文的其余部分组织如下。在第二节中,我们总结了步态识别的相关文献在第3中,我们介绍了本研究中使用的机器学习技术在第4节中,我们介绍了所使用的数据集,而第5描述了所提出的系统的实现,并讨论了所进行的评估和获得的结果。最后,得出结论,并在第6中讨论了未来的工作。2. 相关工作Sharma和Bansal提出了一种使用反向传播神经网络分类器的人体识别系统[1] 首先,本文提出的系统提取前景目标,并采用高斯混合模型进行背景减除。他们使用了宽度和MPEG-7基于区域的形状描述符的组合,这是一个新的属性。因为这些属性90%更能够表达轮廓的分离部分。人是由测量的分离部分之间的距离来定义的。提取特征后,与数据库中存储的数据进行比较。BP神经网络用于学习和识别。https://doi.org/10.1016/j.jestch.2020.01.0052215-0986/©2020 Karabuk University. 出版社:Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页:www.elsevier.com/locate/jestch932A. Kazeleci等人/工程科学与技术,国际期刊23(2020)931Zhang等人提出了一种步态识别框架[2],使用Siamese神经网络,可以从特定距离进行度量学习以指导相似性度量。这对来自同一个人的成对步态产生了小的输出,而对来自不同人的成对步态产生了大的输出。他们的系统可以系统地提取艰难和选择性的步态细节进行识别。由于数据限制问题,他们他们研究了来自OU-ISIR LP步态基准的OULP-C1 V1-A数据集。在他们的研究中,Siamese神经网络(SiaNet.FC)与HWLD,GEI,FDF,CNN.FCI等方法进行了比较,SiaNet. FC获得了最佳结果。一级识别率为96.02%,五级识别率为98.31%。Gaba和Ahuja通过步态分析识别人[3]。本文首先检测出人体的运动,然后用背景差分法去除不必要的信息,最后用Hanavan模型进行特征提取,提取特征参数该系统的最高精度为98.8%。Liang等人提出了一种步态识别系统[4],该系统使用黄金分割法,因为他们认为服装会影响步态识别系统的百分比。他们在实验中使用了CASIA-B数据集他们提出的系统Wu等人通过相似性学习和深度卷积神经网络(CNN)研究了步态的人体识别[5]。使用多个数据集检查用于交叉视图步态识别的方法。对于CASIA-B,他们的结果表明,识别的准确率为94.1%。对于OU-ISIR步态数据集,在相同视图条件下的结果超过98%,在交叉视图场景下的结果超过91%。最终的数据集USF达到96.7%的准确率。Castro等人研究了[6]使用卷积神经网络进行基于步态的人识别。他们使用TUM-GAID作为样本数据集。为了达到最成功的结果,他们选择了一个Narayanan等人[7Hoang等人[17]描述了一种步态识别系统,用于验证或识别移动终端上的用户,以符合现实中的实际目的。他们以两种方式进行工作:基于会话和基于模式。他们在实验中提出了两种不同的方案:PCA + kNN和PCA + SVM方案。在他们的实验中,他们的成功准确率,如99.14%的会话和94.93%的模式和94.93%,并获得了更好的结果,从以前的相关研究。Dehzangi等人[19]提出了一种使用人类步态周期的时频(TF)扩展来在他们的研究中,他们设计了一个深度卷积神经网络,学习从2D扩展步态循环在时域中使用SVM分类,在频域中使用SVM分类。他们提出的方法的结果分别为79.1%和92.7%。由于步态识别性能在步行速度变化时会恶化,Sun等人。[20]提出了速度自适应步态环路分割方法和个体匹配阈值生成方法。他们在对比实验中使用了ZJU-GaitAcc开放数据集和自我收集的数据集。他们的实验分别实现了96.9%和91.75%的平均步态识别率和用户验证率。Gadaleta和Rossi[16]开发了一种系统,该系统使用用户裤子前口袋中佩戴的智能手机提供的加速度计和陀螺仪(惯性)信号来识别目标用户的行走方式。该系统IDNet使用深度学习方法作为通用特征提取器来识别步态,并将后续步行周期的分类结果结合到多阶段决策框架中。该系统具有小于0.15%的错误分类率,少于五个步行周期。总之,以前的每项工作都使用了不同的数据集和不同的特征集,以便使用不同的聚类和分类算法来分析步态识别。因此,很难理解在这个领域中什么起作用以及为什么起作用。在这篇文献综述中,一个数据集可以使用一种以上的算法,但在这项研究中,最成功的算法的例子。在这一研究主题领域可以给出不同的例子,但结果是,研究中取得的成就平均为98%,如表1所示。在下文中,我们将从文献中吸取的经验教训融入到我们的系统中,并旨在通过使用相同的数据集和相同的特征集来了解步态识别作为身份验证系统的所有学习技术。3. 机器学习随着技术使用的增加,数据收集在不同学科中变得更加容易,包括医学,商业,教育,安全等。近年来,由于安全问题,自动视觉相机提供了用于捕获对步态识别有用的数据的潜在来源步态识别是最合适的生物特征识别方法之一此外,开源和商业机器学习和数据挖掘工具的开发使专家能够使用系统来支持对不同领域收集的这些数据的决策。机器学习是一种自动化方法,它研究算法的结构和功能,这些算法可以基于给定的数据进行学习和估计。此类算法的工作原理是构建一个模型,根据样本输入执行数据驱动的估计和决策,而不是严格遵循静态表1文献综述结果。研究方法结果Sharma和反向传播神经网络90.00%BansalZhang等人Siamese神经网络98.31%并尝试学习共同优化识别模型和频谱-时间特征。在他们的实验结果中,Gaba和AhujaBPNN + LDA 98.81%最好的个人IMU和2DTF-DCNN,他们成功地与91%的主题识别准确率。Hoang等人[18]提出了两种识别Liang等人黄金分割法94.76%Wu等人相似性学习和深度卷积神经网络94.1%网络(CNN)Castro等人支持向量机98.00%使用加速度传感器的生物特征步态。他们同时在时域和频域分析数据。Dehzangi等人2DTF-DCNN 91.00%动态时间规整(DTW),用于评估相似性得分Hoang等人支持向量机92.70%A. Kazeleci等人 /工程科学与技术,国际期刊23(2020)931-937933程序指令。它是一种范式,使用数学和统计模型从现有数据进行推断,并通过这些推断对未知进行预测。有三种类型的学习技术:监督学习,非监督学习和强化学习。监督学习(Supervised Learning):这是从标记/标记的观察(训练数据)推断函数的学习过程在监督学习中,学习算法在训练阶段通过将训练数据实例映射例如,如果一个无监督学习:这是从未标记的观察中学习的过程。该算法被期望进行自我发现,并对没有标签的给定输入(训练数据)的概率密度进行建模。例如,发现“未知用户”和短语“个人信息”的概率密度强化学习:这是基于数据的学习过程,其中学习算法学习在环境(训练数据)中采取行动,以最大化一些累积奖励的概念这些类型的学习问题假设时间信息的存在。在这项工作中,我们需要特别感兴趣的机器学习来发现传感器数据中的空间模式。为此,我们使用两种基本类型的机器学习监督和无监督。在这项研究中,我们有一个特征向量的生物测量(步态数据),我们的目标是探索他们是否有足够的信息来识别一个特定的人。为了进行识别,或者生物特征是足够独特的,使得相对于原始特征空间的聚类(距离计算)将是足够的,或者从特征到标签空间的映射是必要的(分类)。在下文中,我们讨论了本研究中使用的机器学习算法。3.1. 多类分类在机器学习中,多类或多项分类是将实例分类到三个或更多类中的一个的问题。在多类分类中,每个训练点属于N个不同类中的一个。目标是构造一个函数,给定一个新的数据点,该函数将正确预测新点所属的类[11]。3.2. 二元分类二进制分类是一种有监督的机器学习形式,我们根据分类规则将给定数据集的元素(示例)分为两组3.3. 实现的机器学习算法在本节中,我们总结了我们在本研究中使用的机器学习算法。3.3.1. 开膛手RIPPER是目前最流行的基于规则的学习算法之一。类被检查在增加的大小和一组初始的规则,为类带来了使用累积减少错误。该算法通过将训练数据中特定感知的所有样本视为一个类并找到一组覆盖该类所有成员的规则来进行。因此,它继续到下一个类并做同样的事情,重复这一过程,直到覆盖了所有类。3.3.2. 多层感知器人工神经网络通常是分层组织的层由许多包含激活功能的互连节点(神经元)组成模式通过输入层呈现给ANN,输入层与一个或多个隐藏层通信,其中实际处理通过加权连接系统完成然后,隐藏层链接到输出层[21]。多层感知器(MLP)由一个输入层,一个或多个线性阈值单元(LTU)层(称为隐藏层)和一个输出层组成。除输出层外,其他层包含偏置神经元,并完全连接到其他层。3.3.3. 决策树决策树有一个预定义的目标变量。他们提供了一个从上到下的战略。决策树是一种结构,用于通过应用一系列决策规则将包含大量记录的数据集划分为较小的集合换句话说,它是通过应用简单的决策步骤将大量记录划分为非常小的记录的结构[12]。3.3.4. 随机森林其目的是通过在分类过程中使用多个决策树来增加分类值。随机森林是一种分类模型,它试图通过使用多个决策树来进行更准确的分类。3.3.5. IB1IB1使用最近邻分类器。它使用标准化的如果多个样本与测试样本具有相同(最小)距离,则使用第一个找到的样本。通过根据从学习集中的样本到期望样本的距离给予权重来计算欧几里得距离。3.3.6. Bootstrap聚合(装袋)Bootstrap聚合被称为bagging,统计分类和机器学习算法旨在提高机器学习界使用的稳定性和准确性,是一种Meta算法。它还减少了差异,并有助于防止过度插入.虽然它适用于决策树方法,但它可以通过任何方式使用。Bagging近似模型是一个特例。3.3.7. 通过回归进行该分类器采用线性回归方法进行分类。当分类时,每个生成的回归模型都是为类的每个值配置的[13]。3.3.8. 随机树“随机树”操作符的工作方式与“决策树”操作符完全相同,但有一个例外:仅对于每个拆分,属性的随机子集可用。因此,集合中的每棵树都具有相等的被采样概率。随机树可以有效地生成,它们的组合往往会导致准确的模型。3.3.9. 朴素贝叶斯朴素贝叶斯分类旨在通过根据概率原理定义的一系列计算来确定系统所呈现的数据的类别。朴素贝叶斯分类以一定的速率向系统提供数据提交用于教学的数据必须有一个类/类别。通过对示教数据执行概率运算,根据意外获得的概率值对呈现给系统的新测试数据进行运算,并尝试确定●●●934A. Kazeleci等人/工程科学与技术,国际期刊23(2020)931给出了测试数据的类别示教的数据数量越多3.3.10. 贝叶斯网络贝叶斯网络具有有向无环图(DAG)这一图形化的模型结构。它提供了使用各种搜索算法和数量测量的学习[14]。4. 数据准备当今的真实世界数据通常倾向于是大的、分布的,并且包含异构数据源,具有噪声数据,或者具有被遗忘的数据或不一致的数据。低质量的数据也会导致低质量的挖掘结果。在数据输入或传输过程中可能输入了缺失、过多、重复的数据。在组织不好的相关数据库中,相同的记录可以在不同的变量名下输入。数据预处理是数据挖掘的一个非常重要的起点。应用程序中收集的数据可能不充分、不一致或有噪声。造成这些问题的原因是数据收集工具错误、数据输入问题、用户在数据输入过程中误解、数据传输错误、技术限制、数据命名或结构不一致。数据清理、缺失数据的补齐、噪声的校正,以诊断异常值并消除数据中的不一致。有不同的方法来填充任何变量的缺失值。对于属于同一类的任何样品,可以使用变量的平均值。例如,同一信用风险类别的客户的平均收入值可以用来代替缺失值。或者可以根据现有数据使用最合适的值。可以使用诸如回归或决策树的技术来确定本文提到的最合适的值。另一个需要用于数据清理的问题是噪声数据。噪声是测量变量的方差或随机误差。直方图、聚类分析和回归等技术可用于诊断噪声数据。由于各种原因,原始格式与另一种格式不同的数据库中的数据不可编辑。数据转换适合于数据挖掘的适当格式。通常使用转换类型,称为校正、合并、泛化和规范化。当数据转换为数据挖掘的适当格式时,可以使用这些转换类型中的一个或多个。旨在转换为适合数据挖掘的格式的数据转换通常通过以下五种不同的方式完成。校正确保噪声解析和减少数据。使用了分区、聚类和回归等技术。合并涉及数据的汇总或合并。概括是一个过程将低级变量或原始数据转换为高级变量。规范化是最常用的数据转换操作之一。最后,通过这些步骤,在数据集中缺失文件的受试者不用于评估,删除不相关的列,并根据文件类型(扩展名为.arff)设置文件,以便更容易访问数据集。5. 实验和评价用于步态分析的数据库是HugaDB[15]。它是由不同的实验结果建立的参与者戴上惯性传感器(加速度计和陀螺仪),并进行跑步,步行,站立等活动。活动在不同的时间进行并记录。最后,采集样本,建立数据库。最初,数据库中有从18个参与者收集的637个数据文件。参与者执行了许多活动,但并不是所有的文件都被使用。一些活动不是由所有参与者执行的,或者一个参与者多次执行一个活动。文件里还有一个“各种”的分类。名为“各种”的文件每个不同的文件都有不同的活动组合。在该项目中,选择了跑步、站立、行走和坐着进行研究。所有文件都具有相同的数据格式。它们由39列组成,前36列是惯性传感器,接下来的2列是EMG传感器,最后一列是活动ID。在项目中,数据保持不变。然而,txt文件转换成arff文件中使用的WEKA。对于每项活动,合并了18名参与者的数据。有17个坐着,16个站着,17个走着,4个跑着。所有这些都用于培训。在完成数据准备和编辑步骤后,选择了10种数据挖掘算法。 WEKA框架用于运行所选的算法,这些算法与10倍交叉验证一起工作。WEKA需要N个大小标记的数据,然后产生10个相等大小的集合。每组分为两组。90%大小的标记数据用于训练,10%大小的标记数据用于测试。WEKA产生一个分类器,其算法形成90%大小的标记数据,并应用于到第一组标记测试数据的10%大小。 它确实对于第二组,同样的事情是10个相等大小的组,并产生更多的分类器。在此基础上,对10%大小的标记数据分类器的性能进行了评估,该分类器由10个相等大小的标记数据组成,其中90%是训练数据,10%是测试数据。比较来自10个选定算法的所有结果,并确定在准备的数据集上给出最佳结果的算法。在这项研究中,如前所述,选择了10种机器学习算法,并在HugaDB数据集上实现。所提出的框架继承了这十个算法中最成功的三个;通过考虑真阳性,真阴性,ROC和精度率。真阳性(TP):真阳性是模型正确预测阳性类别的结果,如(1)。TPR ¼ TP =100000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000真阴性(TN):真阴性是模型正确预测阴性类的结果,如(2)所示。TNR¼TN= 10TN 10TP2000ROC:ROC曲线(受试者工作特征曲线)是显示分类模型在所有分类阈值下的性能的图。⬛精确度(P):精确度是实际正确阳性识别的比例,如(3)所示。P/TP= P/TP=P/FP = P/TP = P/FP在本研究中使用的算法中,被选为最成功的三种算法是:IB1,随机森林和贝叶斯网络。其中,随机森林算法取得了最好的结果,超过99%的总准确率和0.99 ROC。这10种算法的实施结果在表2在所提出的框架的实验中,没有实时损失观察到的成功算法。当●●●A. Kazeleci等人 /工程科学与技术,国际期刊23(2020)931-937935表2跑步的结果运行这3种算法大约需要25秒,而其他算法大约需要3040年代的WEKA。此外,据观察,在此期间,WEKA消耗了大约20%的处理器功率和2GB的RAM用于所有10种机器学习算法。结果表明,三个选定的算法IB1,随机森林和贝叶斯网络实现了高于99%的准确率和0.99 ROC的所有四个活动。我们在图1中提出的框架继承了所有这三种算法,通过多数投票做出最终决定,以便做出更成功的预测。TPRTNRROCP套袋0.99160.99570.99960.9893贝叶斯网络0.99770.99850.99980.9963通过回归0.99630.99370.99850.9843IB10.99720.99930.99820.9981J480.98930.99390.99200.9847JRip0.98460.98370.98530.9600多层感知器0.99860.999610.9991朴素贝叶斯0.99860.999610.9991随机森林10.999610.9991随机树0.97430.98980.98210.9744表3坐的结果TPRTNRROCP套袋0.99670.999940.999990.9808贝叶斯网络10.9998810.9624通过回归10.9999610.9871IB110.999990.999990.9967J4810.999980.999990.9935JRip0.98700.999960.99550.9870多层感知器1111朴素贝叶斯1111随机森林1111随机树0.97720.999980.98860.9934表4站立的结果TPRTNRROCP套袋0.99670.999940.999990.9808贝叶斯网络10.9998810.9624通过回归10.9999610.9871IB110.999990.999990.9967J4810.999980.999990.9935JRip0.98700.999960.99550.9870多层感知器1111朴素贝叶斯1111随机森林1111随机树0.97720.999980.98860.9934表5行走的结果TPRTNRROCP套袋0.97860.99980.99930.9827贝叶斯网络0.98390.99991.00000.9872通过回归0.97160.99990.99640.9906IB10.99690.99990.99850.9981J480.97080.99980.98830.9781JRip0.97330.99980.99100.9774多层感知器0.94970.99920.82980.8862朴素贝叶斯0.95720.99930.99940.9325随机森林0.99690.999910.9994随机树0.94160.99950.97050.9468936A. Kazeleci等人/工程科学与技术,国际期刊23(2020)931Fig. 1. 系统组件。A. Kazeleci等人 /工程科学与技术,国际期刊23(2020)931-9379376. 结论和今后的工作人体步态是一个人的独特特征,除了他/她独特的运动之外,还取决于他/她的体重、肢体长度、鞋类和姿势。步态分析被广泛用作识别人或对象的生物特征测量。本研究工作在HugaDB,这是一个开源数据库。该数据库将不同的人类活动组合在一起,如跑步,坐着,走路和站立。数据是从身体传感器网络收集的,该网络由位于左右大腿、小腿和脚上的六个可穿戴惯性传感器组成。总共从所有18名参与者中收集了2,111,962个样本,他们总共提供了10小时的数据。随机森林分类器的总准确率超过99%。未来的工作旨在通过使用我们自己的数据集来创建一个更好的系统,以实现更高的准确性并提高执行速度。我们相信,这样一个系统,作为一个在这项工作中研究的可能是非常有用的,在现实生活中的情况下,在拥挤的地区,如商场,机场,音乐会场地或电影院的可疑人员或失踪人员。竞争利益作者声明,他们没有已知的竞争性财务利益或个人关系,可能会影响本文报告的工作。引用[1] O.夏尔马Bansal,使用BPNN分类器进行人体识别的步态识别系统,Int. J. 因诺夫Technol. 探索者Eng. 3(2013)217-220。[2] C. Zhang,W. Liu,H. Ma,H. Fu,基于暹罗神经网络的步态识别用于人类识别,在 : 2016 IEEE Int. Conf. Acoust 。 语 音 信 号 处 理 , 上 海 , 中 国 , 2016 , pp.2832https://doi.org/10.1109/[3] I. Gaba,S.P.Ahuja,通过使用具有LDA和MDA技术的BPNN进行识别的步态分析技术教育,2014,pp. 122https://doi.org/10.1109/MITE.2014.7020254[4] Y. Liang,C.- T. Li,Y.关,Y.胡,基于黄金分割率的步态识别,北京大学图像与视频处理研究所。22(2016),https://doi.org/10.1186/s13640-016-0126-5。[5] Z. Wu,Y.黄湖,澳-地Wang,X. Wang,T.谭,基于深度CNNS的跨视图步态人体识别的综合研究,IEEE Trans.PatternAnal。马赫内特尔39(2016)206-226。[6] F.M. Castro,M.J.Marín-Jiménez,N.Guil,N.P. De La Blanca,人工神经网络国际工作会议,在:Autom。学习.步态签名人识别,Springer,Cham,Cadiz,Spain , 2017 , pp. 257-270 , https : //doi. org/10.1007/978-3-319-59147-6_23。[7] B.N.纳拉亚南岛Djaneye-Boundjou,T.M. Kebede,用于恶意软件分类的机器学习和模式识别算法的性能分析,2016年IEEE Natl。航空公司俄亥俄州电子会议 。 Summit , 2016 , pp. 338 https://doi.org/10.1109/NAECON.2016 。7856826。[8] B.N.纳拉亚南Hardie,T. M. Kebede,CT中肺结节计算机辅助检测系统的各种分类技术分析,在:2016 b IEEE Natl.航空公司电子学。Conf. 俄亥俄州Innov。Summit,2016,pp.88https://doi.org/10.1109/NAECON.2016.7856779[9] B.N.纳拉亚南Hardie,T. M. Kebede,不同切片厚度下CT中肺结节计算机辅助检测 系 统 的 性 能 分 析 , J.Med.Imaging5 ( 2018 ) 14504 ,https://doi.org/10.1117/1。JMI.5.1.014504网站。[10] B.N.纳拉亚南Hardie,T. M. Kebede,M.J. Sprague,优化的基于特征选择的聚类 方 法 用 于 不 同 模 态 中 的 肺 结 节 的 计 算 机 辅 助 检 测 , 模 式 分 析 。 Appl. 22(2019)559doi.org/10.1007/s10044-017-0653-4[11] Amazon , Multiclass classification , https://docs.aws.amazon.com/machine-learning/latest/dg/multiclass-classification.html , n.d. ( 2018 年 4 月 20 日 访问)。[12] P. Gupta , 机 器 学 习 中 的 决 策 树 - 走 向 数 据 科 学 , Towar 。 数 据 科 学https://towardsdatascience.com/decision-trees-in-machine-learning-641b9c4e8052,n.d.(2017年5月17日访问)。[13] FutureLearn,回归分类-使用WEKA进行数据挖掘。www.futurelearn.com/courses/data-mining-with-WEKA/0/steps/25397 , n.d.(2017年5月15日访问)。[14] WEKA 中 的 贝 叶 斯 网 络 分 类 器 , 版 本 3-5-7 , ( 2008 ) 。 https: //www.cs.waikato.ac.nz/,(2017年5月17日访问)。[15] R. Chereshnev,A.Kertesz-Farkas,HugaDB:用于可穿戴惯性传感器网络活动识别的人类步态数据库,Int。Conf. Anal. 图像,Soc.网络文本,施普林格,Cham,2017年,第100页。131-https://doi.org/[16] M. Gadaleta,M. Rossi,Idnet:基于智能手机的步态识别与卷积神经网络,模式识别。74(2018)25doi.org/10.1016/j.patcog.2017.09.005[17] T. Hoang,D. 崔,T. Nguyen ,关于手机步态验证中传感器方向的不稳定性,(2015)148 10.5220/0005572001 480159。[18] T. Hoang , V. Quang Viet , T. 阮 氏 D. Choi , Gait identification usingaccelerometer on mobile phone , ( 2012 ) 344-348 。 10.1109/ICCAIS.2012 。6466615.[19] O. Dehzangi,M.塔赫里萨德尔河ChangalVala,使用卷积神经网络和多传感器融 合 的 基 于 IMU 的 步 态 识 别 , 传 感 器 17 ( 2017 ) 2735 ,https://doi.org/10.3390/s17122735。[20] F.M.孙角,澳-地Mao,X.范,Y。Li,基于加速度计的可穿戴物联网设备速度自适应步态认证方法,IEEEInternetThingsJ1(2018),https://doi.org/10.1109/JIOT.2018.2860592。[21] I.H. Witten,E.弗兰克,文学硕士Hall,C. J. J.,数据挖掘:实用机器学习工具和技术,Elsevier,2011,https://doi.org/10.1016/C2009-0-19715-5。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- GO婚礼设计创业计划:技术驱动的婚庆服务
- 微信行业发展现状及未来发展趋势分析
- 信息技术在教育中的融合与应用策略
- 微信小程序设计规范:友好、清晰的用户体验指南
- 联鼎医疗:三级甲等医院全面容灾备份方案设计
- 构建数据指标体系:电商、社区、金融APP案例分析
- 信息技术:六年级学生制作多媒体配乐古诗教程
- 六年级学生PowerPoint音乐动画实战:制作配乐古诗演示
- 信息技术教学设计:特点与策略
- Word中制作课程表:信息技术教学设计
- Word教学:制作课程表,掌握表格基础知识
- 信息技术教研活动年度总结与成果
- 香格里拉旅游网设计解读:机遇与挑战并存
- 助理电子商务师模拟试题:设计与技术详解
- 计算机网络技术专业教学资源库建设与深圳IT产业结合
- 微信小程序开发:网络与媒体API详解
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功