室内日常活动识别是研究居住者的行为意图、生活习惯、异常行为、甚至健康状况的一项关键性技术,广泛应用于普适计算、情景感知、心理学、社会学、智慧医疗、智能生活辅助和智慧养老等领域。随着传感器技术的飞速发展,及人民大众隐私安全的意识增强,基于传感器的室内活动识别成为研究热点。然而,相较于视频类和可穿戴类等传感器,环境类传感器的数据类型更加多样且不直观,导致在复杂场景下,数据处理、识别和管理更加困难,现有解决方案存在通用性差、鲁棒性差等问题。本论文主要围绕活动识别提出识别模型,包括了传感器部署及数据传输方案和多人场景下复杂活动的识别算法方案研究。研究选取了位于4个空间(厨房、餐厅、客厅、浴室)的14种典型活动。时序马尔科夫逻辑网采用了一阶逻辑表达式的知识模型与马尔科夫网的概率推理思想,并增加了时序关系,在数据分割和活动识别具有自己独特的优势。相较于传统的马尔科夫逻辑网研究,时序马尔科夫逻辑网将交叉活动推理准确性从91%提升到了99.4%,将并发活动推理准确性则由93%提升到了 94.7%。本研究的关键是为了实现多人场景下复杂活动识别和多用户识别。为了提高推理识别的准确性,解决识别中的噪音干扰和数据缺失、相似活动难区分识别及难识别新用户等问题,具体内容如下:1)针对识别过程中,存在的数据缺失、噪音干扰问题,提出拆简规则的方法。数据缺失和噪音干扰在环境传感器场景中尤为凸显。为了避免一个缺失点或一个多余点对整个模型造成的巨大干扰,将原有的泛化一体规则简化为动作与活动一一对应的规则库,从而降低动作间的干扰,减少对知识表达的依赖,提高模型的鲁棒性。由于干扰项或缺失项与真实数据不独立,本论文采用随机Gibbs采样方法,以防求解该时序马尔科夫逻辑网时陷入局部最优。对比时序马尔科夫逻辑网,本论文提出的拆简规则后的时序马尔科夫逻辑网,在动作数据缺失特定场景中将推理准确率从8.7%提升到84%,在动作噪音干扰场景中将推理准确率从52.2%提升到60.2%。对比MC-SAT传统求解方法,本论文采用的Gibbs随机采样方法在动作数据缺失场景中将推理准确率从75.9%提升到84%,在动作噪音干扰场景中将推理准确率从37.9%提升到60.2%。2)针对活动识别中相似活动难区分的问题,提出了增加高维时间特征和层次结构的方法。传感器数据中可建立关系的数据特征有限,而且随着活动识别的复杂度增高,会导致整个模型过拟合。相似活动在同一时间窗时,引入时间的靠近程度(持续时间)和特定的时间段(周期/阶段)特征可以很好地区分两个活动。针对相似活动数据不独立的问题,本模型采用Gibbs采样方法进行推理求解。在相似活动特定设置实验中,对比时序马尔科夫逻辑网,本论文提出的增加高维时间和层次结构的时序马尔科夫逻辑网方法将准确率从23.6%提高到92.6%。相比MC-SAT方法,本论文选择Gibbs采样方法将活动推理准确性由68.6%提升到了 92.6%。此外,相似活动包含了相同的动作事件,可以抽象出新的结构化类别,该类别在减少表达和提高活动自学习能力上表现出了良好的特性。3)针对用户识别中新用户识别的困难,提出了基于用户标签的用户类型识别方案。现有研究是为每个用户构建特定的活动模型,工作量极大,对新用户适应性差,例如,构建新用户活动模型存在的“冷启动”问题。本论文采用多用户类型多组合的思路,建立用户类型(性别、年龄段、职业)与时间序列偏好、周期和持续时间偏好、地点偏好间的识别模型。在新用户设置实验中,对比时序马尔科夫逻辑网在用户推理中8.7%的准确度,本论文提出的增加用户类型的时序马尔科夫逻辑网模型的用户推理在综合(时间,周期,地点)偏好研究中提高到了 98%。最后,以三口之家的家居场景为例验证该方案,活动识别准确率达到98.3%,用户类型识别准确率达到84.7%,证明了该方案在多人居家场景具有实用意义和价值。