基於matlab機器學習的人體運動分類研究畢業設計開題報告

獲取項目源代碼，請聯繫QQ:2408679059,可指導畢業設計，課題設計

 

二、國內外研究現狀

1、運動狀態分類的研究情況

對於基於對人體各部位的特徵分研究分析已經在醫療等領域得到了廣泛的應用，而21世紀我們面對的人口老齡化這一問題，也使得全方位的更快捷、方便、安全的老人醫療保護成爲一個主要課題。針對老年人的運動特徵來遠程檢測老年人的個時間段的狀態以便在老人摔倒或面臨突發狀況時更及時的採取急救措施也變得十分重要。本課題所研究的對採集相應的人們各運動狀態的特徵值以便通過不同的方法對這些數據進行分析，病較準確地判斷出各數據所處的狀態，同時也對不同的算法做出比較。

2、機器學習算法

近年來，人工神經網絡無論在理論研究上，還是在使勁應用中，都得到了突飛猛進的發展。BP網絡的誤差逆傳播算法因有中間隱含層和相應的學習規則，使得它具有很強的非線性映射能力，而且網絡的中間層數、各層神經元個數及網絡的學習係數等參數可以根據實際情況設定，有很大的靈活性，且能夠識別含有噪聲的樣本，經過學習能夠把樣本隱含的特徵和規則分佈在神經網絡的連接權上。目前的BP算法主要包括模式識別、故障智能診斷、圖像處理、函數擬合、最優預測等方面的應用。

支持向量機（SVM）是二十世紀九十年代中期Vapnik等人提出的的一種基於統計的新型機器學習方法。採用結構風險最小化準則訓練學習機器，基友很好地學習能力，尤其是繁華能力，主要優點有：支持向量機將學習問題歸結爲一個凸二次規劃問題，從理論上說，得到的將是全局最優解，解決了在神經網絡方法中無法避免的局部極值問題；支持向量機通過非線性變換將數據映射到高維特徵空間，使數據在高維空間中可以用線性判別函數分類，包機器有較好的推廣能力；支持向量機巧妙地解決了數維問題，算法複雜度與樣本維度無關。通過SVM算法可以解決目前傳統算法中存在的訓練算法速度慢、算法複雜、運算量大等缺點。

新加坡南洋理工大學的Huang教授爲單隱層前饋神經網絡提出了ELM（極限學習機）的學習算法，可以比較簡單的完成任務。不同與經典的算法，ELM算法由於整個過程可以一次性完成，無需迭代，相比較來說ELM憑藉更快的學習速度和更好的泛化性能，有效地減少運算過程，而且其模型簡單。可以更好地滿足人們對數據挖掘的需要。座位數據挖掘的主要技術方法，ELM對於迴歸和分類問題具有較好的潛力，目前已經廣泛應用於計算智能和機器學習領域。在這方面，國外研究的比較先進，首先這就是新加坡南洋理工大學的教授提出的方法，國內也在展開研究。

 

 

 

 

 

 

 

三、研究內容：運動狀態的分類、機器學習方法

    通過將機器語言應用到人體運動特徵分類中來，設計了在Matlab環境下基於BP、SVM、ELM三種不同機器學習的方法來進行分類。

1、基於BP神經網絡進行人體運動特徵分類

根據所測出的人體運動的數據，來對這些數據進行特徵分類，根據BP所訓練出的特徵值來判別人體各種不同的運動姿勢，如下圖：

根據圖中紅、綠兩點的值的分佈來判斷人體各種不同的運動姿勢

2、基於SVM支持向量機進行人體運動特徵分類

    SVM提取特徵值的原理與BP提取特徵值的原理是相似的，是通過相應的數學算法對所測出的數據進行特徵值提取，從而分別出人體的各不同運動姿勢。但在訓練時間上相對於BP神經網絡算法會相對減少。

3、ELM極限學習機進行人體運動特徵分類

    ELM極限學習機在提取特徵值對於時間上和算法的複雜度上，都會相對的減少，可以更快速和準確的提取特徵值。

四、研究方案：

1、瞭解BP、SVM、ELM算法研究及應用的國內外研究現狀和發展趨勢，清楚當今主要的幾個技術方向及各自的發展狀況；

2、掌握BP、SVM、ELM算法在實際應用中的基本理論和原理，學習BP、SVM、ELM在一些典型技術上的應用

3、瞭解BP、SVM、ELM算法在人體運動特徵識別的應用時出現的弊端並努力改善，用Matlab進行仿真，驗證它的可行性

4、在完成以上工作後，對三種不同機器學習算法進行對比，爲本研究課題選出最優方法

五、擬解決的關鍵問題與創新點

1、擬解決的關鍵問題

a、在用BP神經網絡進行分類時儘量選取多種提取特徵值的計算方法以便於更準確的進行分類

b、對於SVM支持向量機進行分類時應儘量考慮算法的複雜度以便於既減少訓練時間同時又不至於影響分類的準確性

2、創新點

對比三種算法，總結出每種算法的優缺點，從而選出最優算法

六、預期目標

1、機器學習的分類方法相對於其他方法的省時性

2、機器學習的分類方法中ELM極限學習機的分類潛力對於數據挖掘中其它方向的應用

七、研究計劃進度

1.準備階段

時間：2012.3

目標：閱讀文獻，查閱資料。

內容：(1) 閱讀“機器學習”和Matlab平臺的相關資料和文獻；

      (2) 查閱基因比對算法的資料和文獻,確定選題的目標，完成開題報告、文獻綜述。

2．研究階段

時間：2012.4

目標：設計基於機器學習的數據分類算法

內容：(1) 設計高效的數據分類算法；

(2)學習Matlab編程及BP、SVM、ELM算法，進行初步開發設計

3．實現階段

時間：2012.4-2012.5

目標：Matlab平臺搭建和算法的調試。

內容：基本完成算法的功能，評估軟件分析結果與預期結果差異，並書寫各類相關文檔。

4．測試與總結階段

時間：2012.5—2012.6

目標：進行最後階段的總測試，並撰寫論文結題。

內容：(1) 對成果進行全面測試，實現最終的成果。

(2) 總結整個項目，撰寫畢業設計，進行結題準備。

八、主要參考文獻

[1] 寧鴻成；遠程跌到檢測技術的研究[D]；河北農業大學；2011年

[2] 王剛，黃麗華；數據挖掘分類算法研究綜述；科技導報2006年12期

[3] 周政；BP神經網絡的發展現狀綜述[J]；陝西電子技術，2008（2）：90-92

[4] 韓力羣；人工神經網絡教程[M]；北京郵電大學出版社，2006

[5] 楊鳳芝，蘇佳偉；神經網絡極速學習方法研究進展；電腦知識與技術；2011-4-11

[6] 韓力羣；人工神經網絡理論、設計及應用[M]；北京化學工業出版社，2004

[7] 崔旖娜;王蘇巖;李宏男;;基於BP神經網絡時間序列方法的遼寧省建築業經濟技術指標預測[J];四川建築科學研究;2008年02期

[8] 林康紅，施惠昌，盧強；基於神經網絡的傳感器非線性誤差校正[J]；傳感器技術，2002，,2（1）

[9] Hirose Y.BP algorithm which varies the number of hidden units[J]. Neiral Network,1994,4(1):61-66

[10] Cristianini N，Shawe Taylor J. An Introduction to Support Vector Machinesand Other Kernel-Based Learning Methods[M]. Cambridge: Cambridge University Press,2000

[11] 王建功，潘傑；一種在線極限學習機的結構優化方法；中國科技論文在線

[12] Jinbo Bi, Bennett K P.A Geometiric Approach to Support Vector Regression[J]. Neurocomputing,2003(55):79-108

[13] Huang Guangbin, Zhu Qinyu, Siew C K. Extreme Learning Ma- chine: Theory and Applications[J]. Neurocomputing, 2006, 70(1-3): 489-501.

[14] Huang Guangbin, Ding Xiaojian, Zhou Hongming. Optimization Method Based Extreme Learning Machine for Classification[J]. Neurocomputing, 2010, 74(1-3): 155-163.

[15] Wang Guoren, Zhao Yi, Wang Di. A Protein Secondary Structure Prediction Framework Based on the Extreme Learning Machine[J]. Neurocomputing, 2008, 72(1-3): 262-268.

[16] Yang Jianwu, Zhang Fudong. XML Document Classification Using Extended VSM[C]//Proc. of INEX’07. Dagstuhl Castle, Germany: [s. n.], 2007.

[17] Yang Jianwu, Chen Xiaoou. A Semi-structured Document Model for Text Mining[J]. Journal of Computer Science and Technology, 2002, 17(5): 603-610.

 

 

 

 

畢業設計(論文)開題報告評議表

 

姓名		專業				指導教師
參加人數		教師：      人，   學生：    人
報告題目		基於機器學習的人體運動分類研究
報告日期				報告地點
報告時間				討論時間
選題報告記錄（1對論文選題的意義、難度、創新性和研究方案的可行性等作扼要記錄；2 對選題報告存在的主要問題及評議小組的修改建議作重點記錄,應儘量忠實於原始記錄）：   意義： 21世紀的今天，人口老齡化比例逐漸增加。由於老年人生活自理能力與其健康狀況密切相關，所以越來越多的學者認爲，生活自理能力的喪失是老年人最主要的健康問題。老年人由於年齡、身體等條件的限制，他們的行動安全問題也成爲全社會密切關注的話題。首先對老年人獨立生活能力的測定，是反映老年人健康狀態的重要方面。因此建立一套完善的針對人體運動特徵分析的檢測與通信系統，對於老年人的身體健康保護是十分重要的。   難度：由於BP神經網絡這種機器學習的數據分類在訓練時會因所選的數據值而帶來相應的誤差，從而會影響分類的準確性；對於SVM支持向量機所帶來的在對數據分類時數學算法的複雜度，也是值得解決的一個重點。   創新性：講三種不同的機器語言方法應用到數據分類中，是對三種不同方法準確性的一個檢測，同時也可以更全面對不同方法的優劣掌握，從而可以針對不同類型的數據挖掘應用不同的方法去解決，使機器學習這種方法得到更廣發的應用。   研究方案可行性：該方案首先是在熟悉數據分類基本理論以及BP、SVM、ELM算法的基礎上，對人體運動特徵信息及BP、SVM、ELM算法產生足夠深刻的認識和理解，用Matlab作爲平臺進行程序的仿真實驗，實現所提出算法的仿真實驗。   建議：在進行不同算法分類時，要考慮到算法本身的複雜度與時效性。         （以上由記錄人員填寫，記錄人簽名：                ）

注：可附加頁。

評議組 成員		姓名	專業技術職務	工作單位	簽名
評議組意見	基因查詢在生物醫學領域有着重要的應用，通過對基因查詢高效算法的研究可以進一步推進基因研究相關領域的發展。該畢業論文設計思路條理清晰，所提出的方案具有創新性和可操作性。審覈通過。   組長簽字： 2019年 3月 18日
研究所審覈意見	隨着雲計算技術的興起，原先許多包含大數據量的複雜的研究得以高效的完成。由於基因查詢在生物醫學研究中扮演着重要的角色，而生物基因又包含了海量的數據，因此該畢業論文通過將雲計算技術運用到海量的基因研究領域是一個很好的創新。該論文思路清晰，擬解決方案設計合理，審覈通過。   所長： 2019年 3月 18日
學院審查意見	教學院長（簽字）： 年    月    日
備   注	簽字後裝訂成冊交至指導教師，由研究所彙總後，提交給教學辦存檔。