基于人体活动的智能计算是人工智能领域的一个重要研究方向,其目的是通过获取用户的状态和环境数据信息,为用户提供智能化应用服务。随着移动智能设备(如智能可穿戴设备)及其相关传感器等技术的飞速发展,基于移动智能设备的活动识别技术成为了研究的热点。由于移动智能终端在计算能力、存储空间和能量等硬件资源方面的限制,而传统机器学习模型需要巨大运算能力,基于移动智能设备的活动识别技术无法广泛应用。针对以上问题,本文在分析传统特征选择和支持向量机的基础上,提出了一种基于层次聚类的特征选择和硬件友好型核函数的支持向量机的多类别分类方法。论文的主要算法改进和成果如下:(1)提出了改进的基于层次聚类算法的特征选择算法。基于层次聚类的特征选择算法使用的评价函数基于互信息和关联系数。这不能适用于活动识别领域的连续型数据。本文基于皮尔逊相关系数和共享最近邻这两种度量改进了评价函数。使用改进的基于层次聚类的特征选择算法,完成了特征提取,降低活动识别技术在模型训练过程中的复杂度。(2)提出了基于硬件友好型核函数的SVM算法。传统的SVM算法在模型训练和算法应用中需要大量的指数运算。本文基于高斯核函数和拉普拉斯核函数提出了硬件友好型的核函数,既保持高斯核函数抗噪声的优点,也具有较小的计算代价。(3)提出了基于组合分类器的活动识别技术。活动识别是多类别分类问题。传统的多类别分类算法存在分类误差大的问题。本文提出了基于OVO策略的SV算法,将每个分类器的输出结果作用于Sigmoid函数,然后根据每个二值分类器的投票得到最终输出。本文提出的方法避免单独使用Sigmoid函数取最大值时易受到噪声的干扰而预测出错,也避免了多个分类器直接投票由于分类器权重相同导致的错误。本文从以上三个方面对活动识别技术进行研究,展开的实验分析显示文中提出的活动识别技术具有较高准确率,具有一定的实用价值。