基于熵值法和SBRB的智能家居多人活动识别方法技术
了解基金的估值方法，如净值法和市值法 #生活技巧# #个人理财技巧# #基金理解#
本发明专利技术涉及一种基于熵值法和SBRB的智能家居多人活动识别方法。包括：基于收集到的活动数据集采用熵值法对其进行分析，客观地得到各个数据特征的重要程度，并对此给前提属性进行赋值；随后，基于选定的特征构建SBRB模型，该模型包含一系列定义前提属性与活动关系的规则，在一系列的规则中利用规则间的相似度对其进行规则合并，进一步简化SBRB模型构建生成SBRB推理模型；最后，将收集的传感器数据输入到SBRB模型中，利用模型通过计算规则的激活权重和匹配度来识别当前的多人活动，得到不同居民的活动类别。该方法旨在提高智能家居系统中对居民活动的识别精度和效率，能在保护居民隐私的条件下，通过分析和处理居民活动数据，实现更为精准和动态的活动识别。
【技术实现步骤摘要】
本专利技术涉及智能家居监控领域，具体涉及一种基于熵值法和sbrb的智能家居多人活动识别方法。该不仅包括人工智能、模式识别和信号处理，而且还涉及到传感器网络、数据融合、智能控制以及用户行为分析等跨学科技术。
技术介绍
1、随着全球人口老龄化问题的日益严重，智能家居系统在老年人日常生活监测和健康管理中的作用变得尤为重要。传统的智能家居系统主要依赖于视频监控、环境传感器和个人穿戴设备等技术来实现居住者活动的监测和异常行为的识别。然而，目前这些方法在多人活动识别方面存在着一系列弊端。
2、首先，视频监控系统虽然可以提供直观的监测手段，但却可能侵犯个人隐私，并且在多人环境中，准确识别个体行为变得复杂和困难。其次，环境传感器虽然可以保护居住者的隐私，但在多人活动识别方面的精度往往不高，而且对于复杂活动的识别和区分能力有限。此外，穿戴设备要求居住者不断佩戴，这对于老年人来说可能不太方便，且存在遗忘或拒绝使用的情况。
3、现有的智能家居解决方案还面临着数据处理的高复杂性问题，特别是在处理来自不同传感器的大量数据时，通常需要复杂的数据融合和分析算法。例如，传统的机器学习方法在大数据背景下需要大量的计算资源，并且由于过拟合等问题，这些方法的泛化能力有限。而神经网络方法，尽管在某些情况下能够提供较好的预测结果，但它们的黑盒特性使得模型的解释性较差，且对于模型参数的调整和优化往往需要大量的试验和专业知识。
4、因此，现有技术难以满足智能家居系统在保护隐私、减少用户依赖、处理大量数据以及提供准确和可解释预测结果方面的需
技术实现思路
1、本专利技术的目的在于提供一种基于熵值法和sbrb的智能家居多人活动识别方法，旨在解决上述问题。
2、为实现上述目的，本专利技术的技术方案是：一种基于熵值法和sbrb的智能家居多人活动识别方法，包括如下步骤：
3、步骤s1、采集并收集智能家居环境中的传感器数据，应用熵值法对传感器数据进行特征分析，得到每个特征的熵值并据此赋予特征权重；
4、步骤s2、基于选定的特征构建相似置信规则库sbrb模型，该模型包含一系列定义前提属性与活动关系的规则，在一系列定义前提属性与活动关系的规则中利用规则间的相似度进行规则合并，简化sbrb模型构建生成sbrb推理模型；
5、步骤s3、将收集的传感器数据输入到sbrb推理模型中，利用sbrb推理模型通过计算规则的激活权重和匹配度来识别当前的多人活动，得到不同居民的活动类别。
6、在本专利技术一实施例中，所述熵值法根据收集到的传感器数据衡量传感器数据构成数据集中某个特征信息不确定性；一个特征的信息熵越高，表示该特征的数据分布越均匀，其所包含的有效信息量越少；反之，信息熵越低，表示该特征的数据分布越集中，所包含的有效信息量越多；假设一组数据里面有n个不同的特征，那么对于每个特征的信息熵e通过以下公式计算：
7、
8、其中，ei表示第i个特征的信息熵，p(xij)表示第i个特征取第j个值的概率，m为特征i的可能取值数目；
9、基于计算得到的各个特征的信息熵确定每个特征的差异性值，差异性值的计算公式为：
10、δi＝1-ei
11、其中，δi表示第i个特征的差异性值；
12、为使特征权重之和为1，需要对所有特征的差异性值进行归一化处理；第i个特征的权重计算公式为：
13、
14、其中n为特征的总数，δk为第k个特征的差异性值。
15、在本专利技术一实施例中，所述应用熵值法对传感器数据进行特征分析，得到每个特征的熵值并据此赋予特征权重的具体实现方式为：
16、(1)、收集智能家居环境中相关的传感器数据作为自变量x，并确定活动类型作为因变量y，对数据进行数据清洗和预处理，以去除噪声和处理缺失值，确保数据的准确性和完整性；
17、(2)、使用熵值法计算传感器数据构成数据集中每个特征的信息熵，以评估每个特征的不确定性和信息量；
18、(3)、对所有特征的差异性值进行归一化处理，以确保特征权重之和为1；
19、(4)、根据归一化后的权重wi对特征进行权重赋值，以便在预测sbrb模型时突出对识别结果贡献最大的特征。
20、在本专利技术一实施例中，所述sbrb推理模型中，规则形式根据训练样本的数量，对于每一条数据会生成相应的规则，对于第k条规则rk，如下所示：
21、
22、
23、其中表示的是第k条规则中第i个前提属性，m是前提属性的总数；表示第k条规则中前提属性ai对应第j个参考值的置信度，j是前提属性ai参考值的总数；∧表示逻辑与操作符，用于连接多个前提属性，dn(n＝1,2,…,n)表示结果属性d的第n个结论的置信度，n是表示d存在的结果数量；表示第k条规则中dn的置信度分布，其中意味着对于每一条规则而言，结果属性的各个结论的置信度总和为1，它的信息是完整的；每个前提属性ai有多个参考值，其置信度分布是一个向量表示前提属性ai在规则k中对每个参考值的支持程度；dn的置信度表示当规则k触发时，对应结论成立的置信度；
24、在得到k条规则之后，通过计算规则间的相似度，对规则进行合并，以简化sbrb推理模型的规则数量；假设给定两条规则r1和r2，r1有前提条件参数集α1和结论参数β1，r2有前提条件参数集α2和结论参数β2，其中对于规则之间的相似度计算如下：
25、simα＝||α1-α2||
26、simβ＝||β1-β2||
27、其中，simα表示前提条件相似度，simβ表示结论参数相似度，而||·||表示欧几里得距离。
28、在本专利技术一实施例中，所述步骤s2具体为：
29、(1)对样本数据集进行划分，划分为训练集和测试集，其中测试集的数据作为生成规则库的数据；
30、(2)确定前提属性a和结果属性的评价等级效用值及其个数；
31、(3)将用来生成规则库的输入—输出对转化为与sbrb推理模型的前提属性和结果属性相同的置信分布形式；
32、(4)不断执行步骤(3)，直到所有的数据都生成对应的规则；
33、(5)计算每条规则的规则权重；
34、(6)利用前提条件和结论参数的相似度对生成的规则进行约简，更新新的规则和规则权重；
35、(7)至此，一个完整的sbrb推理模型构建完毕。
36、在本专利技术一实施例中，规则约简的具体过程为：
37、在计算得到两个规则间的前提属性相似度和结果属性相似度之后，如果两个数都小于预设的阈值，则选择合并这两条规则，合并后的规则的前提条件参数和结论参数如下：
38、
39、
40、其中，αnew表示新规则的前提条件参数，βnew表示新规则的结论参数；
41、新合成的规则权重则通过本文档来自技高网...
【技术保护点】
1.一种基于熵值法和SBRB的智能家居多人活动识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于熵值法和SBRB的智能家居多人活动识别方法，其特征在于，所述熵值法根据收集到的传感器数据衡量传感器数据构成数据集中某个特征信息不确定性；一个特征的信息熵越高，表示该特征的数据分布越均匀，其所包含的有效信息量越少；反之，信息熵越低，表示该特征的数据分布越集中，所包含的有效信息量越多；假设一组数据里面有n个不同的特征，那么对于每个特征的信息熵E通过以下公式计算：
3.根据权利要求1或2所述的基于熵值法和SBRB的智能家居多人活动识别方法，其特征在于，所述应用熵值法对传感器数据进行特征分析，得到每个特征的熵值并据此赋予特征权重的具体实现方式为：
4.根据权利要求1所述的基于熵值法和SBRB的智能家居多人活动识别方法，其特征在于，所述SBRB推理模型中，规则形式根据训练样本的数量，对于每一条数据会生成相应的规则，对于第k条规则Rk，如下所示：
5.根据权利要求1或4所述的基于熵值法和SBRB的智能家居多人活动识别方法，其特征在于，
6.根据权利要求5所述的基于熵值法和SBRB的智能家居多人活动识别方法，其特征在于，规则约简的具体过程为：
7.根据权利要求1所述的基于熵值法和SBRB的智能家居多人活动识别方法，其特征在于，所述步骤S3具体为：
8.根据权利要求7所述的基于熵值法和SBRB的智能家居多人活动识别方法，其特征在于，所述个体匹配度的计算，具体为：
9.根据权利要求7所述的基于熵值法和SBRB的智能家居多人活动识别方法，其特征在于，合成激活规则并得出最终结果，具体为：
10.一种基于熵值法和SBRB的智能家居多人活动识别系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-9任一所述的方法步骤。
...
【技术特征摘要】
1.一种基于熵值法和sbrb的智能家居多人活动识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于熵值法和sbrb的智能家居多人活动识别方法，其特征在于，所述熵值法根据收集到的传感器数据衡量传感器数据构成数据集中某个特征信息不确定性；一个特征的信息熵越高，表示该特征的数据分布越均匀，其所包含的有效信息量越少；反之，信息熵越低，表示该特征的数据分布越集中，所包含的有效信息量越多；假设一组数据里面有n个不同的特征，那么对于每个特征的信息熵e通过以下公式计算：
3.根据权利要求1或2所述的基于熵值法和sbrb的智能家居多人活动识别方法，其特征在于，所述应用熵值法对传感器数据进行特征分析，得到每个特征的熵值并据此赋予特征权重的具体实现方式为：
4.根据权利要求1所述的基于熵值法和sbrb的智能家居多人活动识别方法，其特征在于，所述sbrb推理模型中，规则形式根据训练样本的数量，对于每一条数据会生成相应的规则，对于第k条规...
【专利技术属性】
技术研发人员：杨隆浩，黄堋堋，郑慧琳，陈芙蓉，张静，周艺娜，刘碧玉，
申请(专利权)人：福州大学，
类型：发明
国别省市：
网址：基于熵值法和SBRB的智能家居多人活动识别方法技术 https://www.yuejiaxmz.com/news/view/709480
相关内容
基于语音识别技术的智能家居控制熵与语音处理：挑战和机遇在语音识别领域1.背景介绍 语音处理和语音识别是人工智能领域的重要研究方向，它们在日常生活中已经
基于语音识别技术的智能家居控制系统
智慧消费时代|熵基科技人脸消费终端系列 让消费体验更有趣
探索未来生活：基于移动识别技术的智能家居创新解决方案精选
一种基于新能源技术的智能家居系统节能减排方法技术方案
人工智能与语音识别：技术进步和应用场景
一种基于智能家居系统的自动化数据文件同步方法及系统技术方案
基于人工智能的智能家居控制优化方法及系统与流程
模式识别的应用在智能家居中：如何实现智能控制与自适应
