從傳感器數據中發(fā)現、識別和預測人的行為（中文版）

目    錄 第1章 引言 1 第2章 活動 7 2.1  活動的定義 7 2.2  活動的分類 10 2.3  補充閱讀   10 第3章 傳感技術 15 3.1  用于活動學習的傳感器   16 3.1.1  環(huán)境傳感器   16 3.1.2  可隨身佩戴的傳感器   21 3.2  傳感器數據集樣本   22 3.3  特征量 26 3.3.1  序列特征量   28 3.3.2  離散事件特征量   30 3.3.3  統(tǒng)計特征量   34 3.3.4  譜特征量 43 3.3.5  活動背景的特征量 45 3.4  多傳感器融合   46 3.5  補充閱讀   51 第4章 機器學習 55 4.1  監(jiān)督學習   55 4.2  樸素貝葉斯分類器   60 4.3  高斯混合模型   65 4.4  隱馬爾可夫模型 68 4.5  決策樹 73 4.6  支持向量機 76 4.7  條件隨機場 84 4.8  分類器的組合模型   86 4.8.1  提升 86 4.8.2  袋化 88 4.9  降維技術   89 4.10  補充閱讀  98 第5章 活動識別 101 5.1  活動分割   103 5.2  滑動窗口   109 5.2.1  時基窗口分割 110 5.2.2  基于大小的窗口分割   111 5.2.3  給窗口內的事件分配權值   113 5.2.4  動態(tài)窗口大小 119 5.3  無監(jiān)督分割 121 5.4  性能測量   126 5.4.1  基于分類器的活動識別性能指標 129 5.4.2  基于事件的活動識別性能指標   135 5.4.3  評估活動識別的實驗框架   139 5.5  補充閱讀   141 第6章 活動發(fā)現 145 6.1  零樣本學習 147 6.2  序列挖掘   149 6.2.1  基于頻率的序列挖掘   151 6.2.2  基于壓縮比的序列挖掘 153 6.3  聚類   159 6.4  主題模型   162 6.5  性能測量指標   165 6.6  補充閱讀   169 第7章 活動預測 171 7.1  活動序列預測   172 7.2  活動預報   180 7.3  基于概率圖的活動預測   186 7.4  基于規(guī)則的活動時序預測 189 7.5  性能測量   193 7.6  補充閱讀   200 第8章 活動學習存在的實際問題   203 8.1  收集帶標簽的傳感器數據 203 8.2  遷移學習   217 8.2.1  實例遷移和標簽遷移   222 8.2.2  無共生數據的特征遷移 226 8.2.3  有共生數據的知情特征遷移 228 8.2.4  用教師-學生模型實現共生數據的不知情特征遷移  230 8.2.5  用特征空間對齊方法實現共生數據的不知情特征遷移   232 8.3  多標簽學習 233 8.3.1  問題變換 236 8.3.2  標簽相關性利用   238 8.3.3  多標簽學習算法的性能評估 244 8.4  多個體的活動學習   246 8.4.1  學習群體活動 246 8.4.2  訓練一個測試多個 251 8.4.3  分離事件流   254 8.4.4  跟蹤多用戶   258 8.5  補充閱讀   261 第9章 活動學習的實際應用   267 9.1  健康   267 9.2  活動感知服務   271 9.3  安全與應急處理 274 9.4  活動重構、表示和可視化 275 9.5  分析人類的動態(tài)行為 282 9.6  補充閱讀   287 第10章 活動學習的未來  291 附錄A 活動樣本數據  297 附錄B 參考文獻  323