29、独居老人活动识别与高炉煤气温度预测研究

独居老人活动识别与高炉煤气温度预测研究

独居老人活动识别研究

在独居老人活动识别方面，研究人员采用了多种经典分类算法。具体操作是利用一个开放数据集，该数据集由31个运动传感器和4个门关闭传感器在220天内收集而来，用于训练分类器，并使用10折交叉验证来评估分类器。

数据预处理步骤如下：
1. 结构化数据 ：将原始数据整理成适合后续处理的结构。
2. 清理数据 ：去除数据中的噪声、缺失值等异常情况。
3. 切片并获取时间序列活动单元 ：将数据按时间进行切片，得到一个个活动单元。
4. 提取特征 ：对每个完整活动提取特征。

研究结果显示，决策树、k近邻、支持向量机、线性判别分析和集成学习这些分类模型表现良好，其精度、召回率和F1分数都达到了约0.9。然而，朴素贝叶斯由于提取的活动特征存在属性相关性，表现较差。尽管一些分类器能够以较高的准确率识别不同活动，但仍存在不足。影响最终结果的因素主要有三个：算法本身的局限性、部分活动之间的高度重叠以及活动特征的不足。

为了在未来提高性能，可以从以下两个方面入手：
1. 提出一种方法来重现运动轨迹并表示时空序列。
2. 采用深度学习技术自动提取特征。

高炉煤气温度预测研究

高炉煤气温度是判断高炉顺行状态的重要指标之一。传统的煤气温度预测模型存在缺陷，因此研究人员提出了一种基于改进的正则化极限学习机算法（RELM）的预测模型，即RFM - RELM。

研究背景