随着物联网和传感器技术的飞速发展,智能家居进入了人们的生活。智能家居通常是指配置了有线、无线网络以及各种先进传感仪器的居住环境。在智能家居中,通过传感器获取居民身体状况和日常行为等相关数据,进而感知居民的需求,为居民提供更方便、更舒适的生活。开展基于泛在传感器的智能家居中居民日常行为识别研究,给智能家居注入了新的活力,使其具有了更多的特殊用途,如辅助照顾独居老人和生活不能自理的病人等。目前,尽管智能家居中的居民行为识别研究取得了一定的进展,但还存在以下几个主要问题:一、大多数行为识别中,行为识别的准确率还不够高,对相近的行为识别准确率较低;二、只考虑到了单个用户的行为识别,对多用户的行为识别效果不佳;三、行为识别模型的鲁棒性较差。针对上述问题,本文进行以下两方面的研究:(一)在泛在传感器的居民日常行为识别过程中,针对传统的单用户行为识别算法在特征冗余情况下识别准确度不高的问题,本文提出了一种基于加权皮尔逊相关系数(Pearson Correlation Coefficient,PCC)的行为特征约简策略,选择对行为影响较大的传感器特征进行用户行为识别。首先,提取行为触发的传感器频次作为初始特征集合,采用PCC作为特征约简的方法,将行为中的特征转换为特征之间的相关性;然后,采用本文提出的约简公式进行特征约简。本文方法能够计算行为特征对该行为的影响权重,利用权重影响较大的特征进行行为识别,识别的准确率提升明显。(二)针对现有的多用户行为识别算法准确率较低、鲁棒性不强等问题,本文提出了一种基于 TF-TDF(term frequency-inverse document frequency)的多用户行为特征求解方法。首先,本文将某一行为中首次触发的传感器型号与末次触发的传感器型号记录下来作为行为识别的SEF(start-end-feature)特征;之后,记录行为中的每一条传感器数据,通过TF-IDF特征求解方法计算传感器对行为影响的权重,将传感器对行为影响的权重作为行为识别的特征,采用该特征可以有效减少误触发传感器对行为识别准确率的影响。最后,本文使用Java语言及MATLAB实现上述算法,在Weka平台上采用华盛顿州立大学的智能家居系统CASAS的数据集得到实验结果,并采用相关的评价标准对实验结果进行评价及比较,进而验证本文算法的准确性、精确性。