中文版Activity Learning——从传感器数据中发现、识别和预测人的行为

图书标准信息

• 作者 Narayanan C. Krishnan著 吴文国 吴林佳 译；[美]Diane J. Cook
• 出版社 清华大学出版社
• 出版时间 2016-03
• 版次 1
• ISBN 9787302428688
• 定价 59.00元
• 装帧 平装
• 开本 32开
• 纸张 胶版纸

【内容简介】

定义了从传感器数据学习活动模型的概念提出了该核心领域中的关键算法　《中文版Activity Learning——从传感器数据中发现、识别和预测人的行为》一书深入分析了传感器数据的活动学习的计算方法。每章都提供了实用且详细的步骤，介绍了如何分析和处理传感器数据。该书介绍了以下活动学习的方法：◆ 发现基于行为的传感器数据中出现的活动模式◆ 实时识别预定义或被发现的活动的出现◆ 预测活动的出现本书介绍的方法适用于许多领域，如安全、电信、医疗保健、智能电网、住宅自动化。本书的在线网站允许读者测试本书介绍的方法，并且可以修改供自己使用。本书将重点放在计算方法上，因此为研究生和研究人员提供活动学习的算法。

【作者简介】

Diane J. Cook博士是IEEE会士、AAAL会员、美国华盛顿州立大学电子工程与计算机科学学院教授。她的研究领域包括人工智能、数据挖掘，都得到NSF、NIH、NASA、DARRA、USAF、NRL和DHS等基金会的资助。她还参与编写Mining Graph Data和Smart Environment两书。

Narayanan C. Krishnan博士是印度罗巴尔技术学院计算机科学与工程系的教员，研究领域包括活动识别、普适计算和应用机器学习。Krishnan博士获得2004年计算机科学技术大师学术成就金奖，并获2010年美国亚利桑那州最佳博士论文提名。

【目录】

目   录

第1章 引言 1

第2章 活动 7

2.1 活动的定义 7

2.2 活动的分类 10

2.3 补充阅读   10

第3章 传感技术 15

3.1 用于活动学习的传感器   16

3.1.1 环境传感器   16

3.1.2 可随身佩戴的传感器   21

3.2 传感器数据集样本   22

3.3 特征量 26

3.3.1 序列特征量   28

3.3.2 离散事件特征量   30

3.3.3 统计特征量   34

3.3.4 谱特征量 43

3.3.5 活动背景的特征量 45

3.4 多传感器融合   46

3.5 补充阅读   51

第4章 机器学习 55

4.1 监督学习   55

4.2 朴素贝叶斯分类器   60

4.3 高斯混合模型   65

4.4 隐马尔可夫模型 68

4.5 决策树 73

4.6 支持向量机 76

4.7 条件随机场 84

4.8 分类器的组合模型   86

4.8.1 提升 86

4.8.2 袋化 88

4.9 降维技术   89

4.10 补充阅读  98

第5章 活动识别 101

5.1 活动分割   103

5.2 滑动窗口   109

5.2.1 时基窗口分割 110

5.2.2 基于大小的窗口分割   111

5.2.3 给窗口内的事件分配权值   113

5.2.4 动态窗口大小 119

5.3 无监督分割 121

5.4 性能测量   126

5.4.1 基于分类器的活动识别性能指标 129

5.4.2 基于事件的活动识别性能指标   135

5.4.3 评估活动识别的实验框架   139

5.5 补充阅读   141

第6章 活动发现 145

6.1 零样本学习 147

6.2 序列挖掘   149

6.2.1 基于频率的序列挖掘   151

6.2.2 基于压缩比的序列挖掘 153

6.3 聚类   159

6.4 主题模型   162

6.5 性能测量指标   165

6.6 补充阅读   169

第7章 活动预测 171

7.1 活动序列预测   172

7.2 活动预报   180

7.3 基于概率图的活动预测   186

7.4 基于规则的活动时序预测 189

7.5 性能测量   193

7.6 补充阅读   200

第8章 活动学习存在的实际问题   203

8.1 收集带标签的传感器数据 203

8.2 迁移学习   217

8.2.1 实例迁移和标签迁移   222

8.2.2 无共生数据的特征迁移 226

8.2.3 有共生数据的知情特征迁移 228

8.2.4 用教师-学生模型实现共生数据的不知情特征迁移  230

8.2.5 用特征空间对齐方法实现共生数据的不知情特征迁移   232

8.3 多标签学习 233

8.3.1 问题变换 236

8.3.2 标签相关性利用   238

8.3.3 多标签学习算法的性能评估 244

8.4 多个体的活动学习   246

8.4.1 学习群体活动 246

8.4.2 训练一个测试多个 251

8.4.3 分离事件流   254

8.4.4 跟踪多用户   258

8.5 补充阅读   261

第9章 活动学习的实际应用   267

9.1 健康   267

9.2 活动感知服务   271

9.3 安全与应急处理 274

9.4 活动重构、表示和可视化 275

9.5 分析人类的动态行为 282

9.6 补充阅读   287

第10章 活动学习的未来  291

附录A 活动样本数据  297

附录B 参考文献  323