基于概率潜在语义分析的马尔可夫逻辑网络规则库生成

人类活动识别（HAR）已成为人们关注的主题，在日常生活中发挥着重要作用。HAR使用传感器设备来收集用户行为数据，获取人类活动信息并对其进行识别。马尔可夫逻辑网络（MLN）作为知识和数据的有效结合，在HAR中得到了广泛的应用。MLN能够解决复杂性和不确定性问题，具有良好的知识表达能力。然而，MLN结构学习相对较弱，需要大量的计算和存储资源。从本质上讲，MLN结构是从当前场景中的传感器数据导出的。假设传感器数据可以被有效地切片，并且切片后的数据可以转换为语义规则，则可以获得MLN结构。为此，我们提出了一种基于概率潜在语义分析的规则库构建方案，为MLN学习提供语义规则库。这样的规则库可以减少MLN结构学习所需的时间。我们将规则库构建方案应用于单人室内活动识别，并证明该方案可以有效地减少MLN的学习时间。此外，我们还评估了规则库构建方案的参数，以检查其稳定性。