高可信度加权的多分类器融合行为识别模型

摘要 为了提高基于智能移动设备的人体日常行为识别准确率，提出一种高可信度加权的多分类器融合行为识别模型（MCFM）。针对不同智能设备内置加速度传感器获取的三轴加速度信息，优选出与人体行为相关度高的特征集作为该模型的输入，将决策树、支持向量机以及反向传播（BP）神经网络三个基分类器通过高可信度加权投票算（HRWV）法训练出一个新的融合分类器。实验结果表明，所提出的分类器融合模型能有效提高行为识别的准确率，对静止、散步、跑步、上楼及下楼五种日常行为的平均识别准确率达到94.88%