17、技术前沿：传感器数据离散化、Web 编程与强化学习的融合探索

技术前沿：传感器数据离散化、Web 编程与强化学习的融合探索

1. 传感器数据离散化与上下文提取

1.1 传感器数据特性与离散化需求

传感器能感知多种物理现象，其数据具有不同数据速率、多特征、高噪声和冗余等特点。为从原始数据中提取有意义的上下文信息，需要对连续值的传感器数据进行离散化处理，使其变为有限值，以满足上下文提取算法的要求。

1.2 离散化方法分类

• 无监督离散化方法 ：不依赖数据类别进行离散化，如等频率、等宽度分箱、比例 K 区间离散化、自组织映射和 K 均值聚类等。
• 有监督离散化方法 ：考虑目标类别进行数据属性离散化，例如模糊离散化、递归最小熵划分、Kononeko 的 MDL 方法、朴素和半朴素离散化以及布尔推理等。

1.3 实验与评估

1.3.1 数据集

使用 Opportunity 数据集，该数据集包含模拟的日常生活活动数据，通过手动标注用户的日常活动作为上下文信息。选取“运动模式”作为待提取的上下文。

1.3.2 评估指标

采用贝叶斯信念网络分类器进行预测，使用 10 折交叉验证进行评估。评估指标包括卡帕系数、准确率、真阳性率（召回率）、假阳性率、精确率和计算时间。

评估指标	描述
卡帕系数