步态快速识别策略及其模型的研究

发布时间：2021-11-27 13:45

　　随着计算机技术和一系列数学规则成功运用在处理各种实际问题中,深度学习和人工智能成为各国关注和研究的焦点,其应用现已遍及人们生活的各个领域。但是基于现有的深度学习技术,算法模型在处理图像和视频领域的分类识别任务时,识别精度会随着图像和视频分辨率变化,识别的时效性会产生较大的变化。为了减少训练模型的参数学习和识别分类成本,提高应用的灵活性,使用基于传感器数据集的应用模型在现实生产和生活中有着无法比拟的优势。算法模型使用传感器数据集进行运动状态的识别有天然的优势:数据结构和数据集的小巧性使得基于传感器数据集的运动状态识别在人类生活的实际应用场景中十分的便利。不管研究人员使用何种类型的传感器,运动状态的识别模型都面临着物理系统和相应的使用者、使用环境、系统本身产生噪声的影响,噪声成为了传感器生成数据的一个重要组成部分。许多优秀的论文作者提出了一系列算法和模型试图解决因噪声的影响而导致数据识别精确性下降的问题,这些论文的算法模型都是在运动状态识别过程中尽最大的努力去除噪声,而实际场景中通过算法准确地区分噪声数据和非噪声数据几乎是不可能的。传统的单一算法模型无法识别噪声,本论文提出的新模型第一个重... 

【文章来源】：南京邮电大学江苏省

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

4DistributionsofageandgenderofthedatabaseinthefirstdatasetforcenterIMUZ(a),IMUZsubset(b)andsmartphonesubset(c)ofseconddataset.为了验证本模型架构的模糊识别功能，本论文使用了由无线传感器数据挖掘（WISDM）

Using Clustering Algorithm (30-15)图 5.3 聚类分析图原始数据经过 SVD+PCA 和 K-meas 组件，在 CNN 输入端的 Android 子集不同运动状传感器三轴数据集 4s 的数据分布如图 5.4 所示。

图 5.5 上图为损失函数趋势图，下图为训练、测试准确度趋势图Walk1(Alreadytrained)Walk2(Alreadytrained)SlopeUp(Alreadytrained)SlopeDownd(Alreadytrained)Jog(Untrained)Sit orStand(Untrained)% ofRecordsCorrectlyPredicted99.79 99.45 99.90 99.81 69～75 20～31表 1:Accuracies ofActivity Recognition（运动状态识别准确度）本论文使用数据集[25]测试整个模型的动作识别准确度,从表 2 所示可知本模型要优于所有提及的其它论文作者的算法模型。

【参考文献】：
期刊论文
[1]基于智能手机内置传感器的人体运动状态识别[J]. 殷晓玲,陈晓江,夏启寿,何娟,张鹏艳,陈峰.  通信学报. 2019(03)
[2]三轴MEMS加速度计的最大似然校正算法[J]. 陆欣,刘忠,张宏欣,贺静波.  国防科技大学学报. 2017(05)
[3]基于手机加速度传感器的波峰波谷计步算法研究[J]. 凌海波,杨 静,周先存.  四川理工学院学报(自然科学版). 2017(03)
[4]基于遗传算法的加速度计免转台标定方法[J]. 杨管金子,李建辰,黄海,陈刚.  中国惯性技术学报. 2017(01)
[5]基于三轴加速度传感器的人体运动识别[J]. 李锋,潘敬奎.  计算机研究与发展. 2016(03)
[6]基于手机加速度传感器的高精低采样计步算法设计[J]. 梁久祯,朱向军,陈璟.  西北大学学报(自然科学版). 2015(05)
[7]无依托状态加速度计的新型标定方法[J]. 毛友泽,张海.  北京航空航天大学学报. 2011(01)



本文编号：3522413