基于隐私保护的室内活动识别

发布时间：2021-01-14 06:44

　　由于深度学习在机器学习领域广泛应用,将深度学习应用于传感器数据活动识别受到研究人员的关注,同时,由于室内活动涉及大量的个人隐私,因此,如何在保证隐私安全的前提下,提高传感器数据活动识别的准确率具有较好的理论和应用价值。本文以传感器序列数据为数据源,围绕室内传感器数据活动识别方法和隐私保护展开研究。首先,在识别室内活动的单变量序列数据时,针对循环神经网络RNN不能很好地处理具有长期依赖关系的序列,导致识别准确率降低的问题,本文提出一种基于CNN-LSTM的室内传感器数据活动识别方法,简称为CLIAR（Indoor Activity Recognition based on CNN-LSTM）。在CLIAR中,卷积神经网络CNN能很好地提取出活动序列数据中的特征向量;长短期记忆网络LSTM在考虑当前点输入的同时,又考虑先前点的输出,能够保持数据之间的长期依赖性,从而解决数据间长期依赖的问题,提高活动识别的准确率。实验表明,CLIAR的识别准确率比模式识别方法提高了9.3%。其次,针对LSTM很难从大量活动信息中区分输入序列的不同重要程度的问题,本文提出一种基于时间Attention LST... 

【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
1 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 主要研究内容
    1.4 论文结构
2 基于CNN-LSTM的室内传感器数据活动识别
    2.1 引言
    2.2 传感器数据活动识别
    2.3 基于CNN-LSTM的室内传感器数据活动识别
    2.4 算法描述
    2.5 实验及分析
    2.6 本章小结
3 基于时间Attention LSTM的室内传感器数据活动识别
    3.1 引言
    3.2 TAL-ISDAR框架
    3.3 基于时间Attention的权重计算
    3.4 基于dropmax激活函数的多分类
    3.5 算法描述
    3.6 实验及分析
    3.7 本章小结
4 基于隐私保护的室内传感器数据活动识别
    4.1 引言
    4.2 隐私保护
    4.3 对抗dropout
    4.4 基于隐私保护的室内传感器数据活动识别
    4.5 算法描述
    4.6 实验及分析
    4.7 本章小结
5 总结与展望
    5.1 主要研究成果
    5.2 研究展望
参考文献
作者简历
学位论文数据集



本文编号：2976423