基于卷积神经网络和循环神经网络的活动识别研究

发布时间：2020-12-12 17:09

　　人体的活动数据,可被一些采集设备诸如智能手机、手环等中的传感器自主收集。分析这些数据中蕴含的活动类型具有重要的现实意义。传统的手工提取特征的活动识别方法不具备较好的泛化能力,提取特征的好坏与领域知识强相关,具有相当的局限性。当前在图像、语音、翻译等领域针对深度学习中卷积网络与循环网络等研究愈发多,但在活动识别领域的相关研究还不是很多,纯粹针对原始数据应用这些网络架构的研究更是较少。有鉴于此,本文从以下三个方面展开人体活动识别研究的相关工作。首先,进行了卷积神经网络与循环神经网络在人体活动识别问题上的探究。具体而言选取了 3个典型的卷积神经网络与3个典型的循环神经网络进行实验,将这6个网络模型置放到3个公开数据集上进行实验,针对这3个数据集还进行了 4种传统机器学习方法的实验,于此则能较为详尽的比对说明。其次,针对卷积模型与循环模型,本文提出了二者特征联合的CRNN模型,该模型按卷积网络和循环网络组合方式的不同划分为联立与分立两种形式。针对这两种不同形式的模型,在同样的3个数据集上进行了实验。最后,针对传感器数据特征提取过程的不同,本文提出了不同于一般卷积网络模型中固定卷积维度的变维卷积... 

【文章来源】：厦门大学福建省 211工程院校 985工程院校 教育部直属院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

图２．１?ＮＮ基本单元结构??

函数?ＲｅＬＵ（?Ｒｅｃｔｉｆｉｅｄ?Ｌｉｎｅａｒ?Ｕｎｉｔｓ）［２３］?／（ｘ）?＝?Ｚ？ｅＬ＂（ｘ）?＝?０?（ｘ?￡?０）?ｏｒ?ｘ?（ｘ?仝?０），??注意到该表达式也可以等效简洁写成／（ｘ）?＝?ｍａｘ（０，?ｘ）。该表达式图像可绘制如??下图（图２．２）。???ｒｅｌｕ（ｘ）???１?ｊ?Ｉ?ｆ?Ｉ?ｉ￣???：???！?———Ｌ?十????ｊ?…??１?？?．?．．?．．．?Ｉ??．???．：?？?＇?Ｉ???ｊ?Ｊ?＾??一?３?Ｈ?ｒ—?１?１?１?１???－３－２－１０?１?２?３??ｘ??图２．２?ＲｅＬＵ函数解析式图??上述这些函数一般使用标量值作为输入。另外的，当单元的输入值是一个向??量值，常用的激励函数有Ｓｏｆｔｍａｘ函数，Ｍａｘｏｕｔ函数等。这两个函数的表达式对??应如下。??乂２，…，＾Ｖｎ）ｉ?－?￣＾７?（２．１）??／（ｘｘ，?ｘ２，．．．，?ｘｍ）?＝?ｍａｘ（ｘｖ?ｘ２，．．．，?ｘｍ）?（２．２）??ＮＮ?—般包括输入、隐含、输出三个层次。其基本结构如下图（图２．３）所示，??图示结构包含６个输入单元的输入层，２个单元的隐含层，以及用于最后分类的??一个单元的输出。当需要预测很多类时

函数?ＲｅＬＵ（?Ｒｅｃｔｉｆｉｅｄ?Ｌｉｎｅａｒ?Ｕｎｉｔｓ）［２３］?／（ｘ）?＝?Ｚ？ｅＬ＂（ｘ）?＝?０?（ｘ?￡?０）?ｏｒ?ｘ?（ｘ?仝?０），??注意到该表达式也可以等效简洁写成／（ｘ）?＝?ｍａｘ（０，?ｘ）。该表达式图像可绘制如??下图（图２．２）。???ｒｅｌｕ（ｘ）???１?ｊ?Ｉ?ｆ?Ｉ?ｉ￣???：???！?———Ｌ?十????ｊ?…??１?？?．?．．?．．．?Ｉ??．???．：?？?＇?Ｉ???ｊ?Ｊ?＾??一?３?Ｈ?ｒ—?１?１?１?１???－３－２－１０?１?２?３??ｘ??图２．２?ＲｅＬＵ函数解析式图??上述这些函数一般使用标量值作为输入。另外的，当单元的输入值是一个向??量值，常用的激励函数有Ｓｏｆｔｍａｘ函数，Ｍａｘｏｕｔ函数等。这两个函数的表达式对??应如下。??乂２，…，＾Ｖｎ）ｉ?－?￣＾７?（２．１）??／（ｘｘ，?ｘ２，．．．，?ｘｍ）?＝?ｍａｘ（ｘｖ?ｘ２，．．．，?ｘｍ）?（２．２）??ＮＮ?—般包括输入、隐含、输出三个层次。其基本结构如下图（图２．３）所示，??图示结构包含６个输入单元的输入层，２个单元的隐含层，以及用于最后分类的??一个单元的输出。当需要预测很多类时

【参考文献】：
期刊论文
[1]基于随机森林算法的多维情境特征活动识别[J]. 刘克强,汪云甲,陈锐志,褚天行.  测绘通报. 2017(07)
[2]基于三轴传感器的老年人日常活动识别[J]. 汪成亮,王小均.  电子学报. 2017(03)
[3]基于特征融合进行活动识别的DCNN方法[J]. 王金甲,杨中玉.  高技术通讯. 2016(04)
[4]手机位置和朝向无关的活动识别技术研究[J]. 吴渊,史殿习,杨若松,李寒,陈茜,周荣.  计算机技术与发展. 2016(04)
[5]无监督特征学习的人体活动识别[J]. 史殿习,李勇谋,丁博.  国防科技大学学报. 2015(05)



本文编号：2912963