基于时间序列shapelet的步态识别分类方法.pdf
Ro****44
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
基于时间序列shapelet的步态识别分类方法.pdf
本发明公开了一种基于时间序列shapelet的步态识别分类方法。首先,选取监控中的步态视频进行轮廓提取;其次,在提取轮廓图像后,对轮廓图像进行处理,估计出这个人的步态周期;然后对其进行步态特征的提取,计算出如摆动的距离和关节角度特征等,这些特征可以表示为时间序列数据;最后对这些时间序列数据进行shapelet序列的提取,找出包含最大信息增益的shapelet序列;最后用提取出的shapelet序列为基础构造出一个决策分类器,可对未知的人体步态进行识别和分类。本方法可以在丰富的步态模式信息中,解决信息干扰对
基于优化Shapelet的时间序列分类方法.docx
基于优化Shapelet的时间序列分类方法标题:基于优化Shapelet的时间序列分类方法摘要:时间序列分类在许多实际应用中具有重要意义,如股票市场预测、健康监测等。而Shapelet作为一种有效的时间序列分类方法,可以从原始时间序列中提取出关键的子序列特征,用于分类任务。然而,由于时间序列的复杂性和多样性,简单的Shapelet提取方法可能无法捕获到全局或局部的重要特征,导致分类性能下降。为此,本文提出了一种基于优化Shapelet的时间序列分类方法,通过结合遗传算法与粒子群优化算法来优化Shapele
基于shapelet的时间序列分类研究.docx
基于shapelet的时间序列分类研究随着大数据时代的来临,数据分析领域不断涌现出各种新技术和算法。在实际应用中,时间序列数据具有重要的意义,如金融数据、气象数据、交通数据等。时间序列分类是时间序列数据分析领域中的一个重要问题,其目的是将时间序列数据划分为不同的类别。针对时间序列分类问题,近年来涌现了一种有效的方法——shapelet算法。1.时间序列分类方法概述传统的时间序列分类方法主要有基于组合(ensemble-based)、基于距离(distance-based)、基于时间频率(time-freq
基于Shapelet的时间序列分类方法研究的开题报告.docx
基于Shapelet的时间序列分类方法研究的开题报告开题报告:基于Shapelet的时间序列分类方法研究一、研究背景和意义时间序列(timeseries)是指一系列按照时间顺序排列的数据。时间序列数据在许多领域中都非常重要,如金融领域、气象预测、医疗健康等。时间序列分类是对时间序列数据进行分类的方法,可以帮助人们更好地理解和处理数据。经典的时间序列分类方法包括两个步骤:特征提取和分类。特征提取通常是将原始时间序列数据转换成一组描述其特征的数值属性。然后使用常规的分类器进行分类。近年来,基于Shapelet
面向可解释步态识别的时间序列分类算法研究的开题报告.docx
面向可解释步态识别的时间序列分类算法研究的开题报告一、研究背景人类的步态信息包含了很多重要的健康信息,例如体重、生命品质和心血管健康等。因此,步态识别的研究具有非常重要的意义。在过去的几十年中,已经有很多研究致力于步态识别的算法设计,包括基于传感器的、基于视频的、基于深度学习的等不同类型的算法。然而,当一种算法能够取得很好的分类性能时,我们并不能得到该模型内部学习到了什么特征来实现高水平的分类。因此,可解释性步态识别算法成为了近年来步态识别领域的研究热点之一。通过对模型进行可解释分析,可以揭示出模型内部学