从传感器数据中发现、识别和预测人的行为（中文版）

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