鹽城電銷軟件辦理,鹽城電銷軟件怎么辦理,鹽城電銷軟件去哪辦理

防封號電銷軟件，提供多種防封解決方案，支持各地指定營銷號碼，

線路安全穩定，根據不同行業制定不同的使用方案。

不受呼叫頻率限制！

有需要的老板歡迎咨詢

行為識別模型

2.1 數據處理流程

本文根據內嵌在智能設備中的三軸加速度計實時采集人體日常行為加速度信號，從中提取出常用時域特征，生成特征數據集T后，劃分為訓練集X和測試集Y。根據訓練集X訓練出k個基分類器，并用測試集對各基分類器進行測試。測試結果經融合器處理后，得到最終的行為識別結果（圖1）。

2.2 基分類器

基分類器的生成主要有神經網絡、決策樹、支持向量機、Bayes準則等方法，基分類器的性能對行為識別有重要影響。本文選用決策樹算法和支持向量機來訓練基分類器。

2.3 融合算法

集成學習的思路是在對未知的實例進行識別時，把若干個基分類器的行為識別結果通過某種規則進行融合，確定最終識別結果，以取得比單個分類器更好的識別效果。本文采用多數投票法作為融合算法（如圖2所示），所構建的行為識別模型如圖3所示。

3 實驗設計及結果分析

3.1 實驗環境及數據集

本文所用數據集是XUPT-ADD，是課題組成員使用內嵌三軸加速度計的智能手機實時采集的靜止、行走、跑步、上樓、下樓等日常行為數據。數據采集時，智能手機分別放置在手中、包里以及褲子前口袋。參與此次數據采集的一共有15人，每人分別采集三種不同位置下每種行為的加速度數據，共1973個樣本。從原始加速度數據中提取平均值、中位數、方差、標準差、最大值、最小值、范圍、均方根、直流分量、系數和、頻譜能量等特征值，生成特征數據集T。