随着微电子系统制造工艺和无线通信技术的进步,无线传感网络深入到人机交互、医护检测、体育运动等领域。其中,基于加速度传感器的人体行为识别由于具有成本低、易携带、能耗少、体积小等优点而受到广泛关注。然而基于加速度传感器的人体行为识别系统在各个环节中仍面临不少亟需解决的问题,例如,如何构建具有高准确率和高泛化能力的分类器;如何设计特征选择方法,以选择分类能力强且冗余度低的特征子集。针对上述问题,本文做出以下几点贡献:1.提出了三种基于加速度传感器的人体行为识别方法。在分析并应用支持向量机、K近邻、决策树等算法于人体行为识别的基础上,提出了改进K近邻算法、基于Bagging的极端随机树算法以及一种CNN深度学习方法应用于人体行为识别。在K近邻算法中使用Relief F算法计算特征权重后,使用特征加权的方式进行距离的度量;对于极端随机树,采用Bagging思想随机采样训练数据集分配给不同的个体学习器,增大样本与特征的随机性;提出的CNN深度学习方法,构建4层卷积层和3层池化层,对数据集进行局部特征分析,得到特征输出项,并通过Softmax分类器实现最终的分类。通过实验验证所提三种算法的识别效果。2.提出特征重组方法应用于人体行为识别中的特征选择。综合基于方差分析和互信息的过滤式、包裹式、嵌入式特征选择方法选出各自的特征集,对这些特征集所包含的特征统计并划分出高频特征和低频特征。然后采用遗传算法进行特征重组,并提出使用最大相关最小冗余作为遗传算法中的适应度函数,通过实验验证特征重组方法的有效性。实验结果表明,在UCI公共数据集上进行人体行为识别,文中所提出的改进KNN算法和基于Bagging的极端随机树算法以及一种CNN深度学习方法能有效进行分类识别,且优于传统的支持向量机、K近邻、决策树算法。此外,文中所提出的特征重组方法与其他典型特征选择方法相比,在特征数量相同或行为识别层次相同的情况下,均能有效提高人体行为识别准确率。