| Title: | Применение машинного обучения для распознавания активности и улучшения качества позиционирования в помещении |
| Other Titles: | Theoretical foundations of ml for activity recognition |
| Authors: | Шлык, П. А. |
| Keywords: | материалы конференций;Big Data;информационные системы;методы машинного обучения;сенсоры;характеристики среды |
| Issue Date: | 2026 |
| Publisher: | БГУИР |
| Citation: | Шлык, П. А. Применение машинного обучения для распознавания активности и улучшения качества позиционирования в помещении = Theoretical foundations of ml for activity recognition / П. А. Шлык // Big Data и анализ высокого уровня = Big Data and Advanced Analytics : сборник научных статей XII Международной научно-практической конференции, Республика Беларусь, Минск, 23 апреля 2026 года : в 2 ч. Ч. 2 / Белорусский государственный университет информатики и радиоэлектроники [и др.] ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 105–110. |
| Abstract: | Исследуются теоретические предпосылки применения методов машинного обучения к
задачам распознавания типа активности человека (Ншиаи Activity Recognition, HAR) и повышения качества
позиционирования в помещении в условиях гетерогенного аппаратного обеспечения: различных конфигураций сенсоров и характеристик среды. Рассматриваются теоретические основания для интеграции
HAR-классификатора с байесовскими фильтрами, для применения нейронных сетей для сглаживания шума
среды RSSI-сигнала, а также для обеспечения межустройствсиной переносимости моделей посредством
алгоритмической калибровки и методов адаптации домена. Сформулированы гипотезы, подлежащие
экспериментальной проверке. |
| Alternative abstract: | The research examines the theoretical foundations for applying machine learning methods to human
activity recognition tasks (Human Activity Recognition, HAR) and improving indoor positioning accuracy under
heterogeneous hardware conditions, including various sensor configurations and environmental characteristics.
ft addresses the theoretical basis for integrating a HAR classifier with Bayesian filters, using neural networks
to smooth RS SI signal environmental noise, and ensuring inter-device model portability through algorithmic
calibration and domain adaptation techniques.
Hypotheses have been formulated for experimental verification. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/63614 |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник научных статей : в 2 ч. (2026)
|
