發(fā)布時間：2018-03-20 16:27

  本文選題：行為識別　切入點：遞歸神經(jīng)網(wǎng)絡(luò)　出處：《哈爾濱工業(yè)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：目前,大多數(shù)人體行為識別問題的研究聚集在視頻數(shù)據(jù)上,而基于視頻數(shù)據(jù)的行為識別方法容易侵犯個人隱私,同時由于視頻圖像數(shù)據(jù)的復(fù)雜性造成識別準(zhǔn)確度不高。隨著物聯(lián)網(wǎng)技術(shù)的快速發(fā)展,使用穿戴設(shè)備來識別人體行為逐漸成為人體行為識別的一種新辦法,吸引了一大批專家學(xué)者的目光。研究人員嘗試使用了許多機器學(xué)習(xí)的辦法,如:隨機森林、支持向量機等淺層學(xué)習(xí)方法,在實驗室環(huán)境下表現(xiàn)不錯,但是距離實際應(yīng)用還有一段距離。由于人體行為屬于一種連續(xù)型的時間序列數(shù)據(jù),同時考慮到遞歸神經(jīng)網(wǎng)絡(luò)在時間序列數(shù)據(jù)上表現(xiàn)出來的神奇效果,以及在大量實際應(yīng)用中均取得不錯的結(jié)果,因此本文使用深層學(xué)習(xí)中的遞歸神經(jīng)網(wǎng)絡(luò)模型來解決行為識別問題。本文具體的研究工作和創(chuàng)新點包括:1.本文基于穿戴設(shè)備,依據(jù)人體行為的特點,提出了一種先識別原子活動,后識別復(fù)雜活動的分層級識別行為的方法。2.本文將原子活動定義為日�；顒铀亩讨芷诨顒雍屯獬鼋煌ǚ绞交顒�,包括跌倒、下樓、上樓、電梯向下、電梯向上、跑、坐、站、走、坐地鐵、坐公交車、坐小汽車、躺共計13種活動。使用面向原子活動識別的遞歸神經(jīng)網(wǎng)絡(luò)模型構(gòu)建識別算法,同時進行了大量的實驗,在實驗室環(huán)境和實際應(yīng)用環(huán)境均取得了較好的結(jié)果。3.本文將復(fù)雜活動定義為中長期的生活活動,包括但不限于做飯、拖地、掃地、吃飯、看電視等。本文參考時間序列分析中模式匹配的思想設(shè)計了基于動態(tài)彎曲距離的復(fù)雜活動識別算法。該算法在實驗室環(huán)境下,能夠識別睡覺、吃飯、鍛煉三種復(fù)雜活動,具有較低的平均索引誤差(復(fù)雜活動識別算法的評價指標(biāo),詳情見4.2章)。4.本文實現(xiàn)了一個用以完成數(shù)據(jù)采集、數(shù)據(jù)分析、數(shù)據(jù)展示、數(shù)據(jù)管理的行為識別原型系統(tǒng)以及應(yīng)用本文研究成果的智慧養(yǎng)老系統(tǒng)。
[Abstract]:At present, most researches on human behavior recognition are focused on video data, and behavior recognition methods based on video data are apt to violate personal privacy. At the same time, because of the complexity of video image data, recognition accuracy is not high. With the rapid development of Internet of things technology, the use of wearable devices to identify human behavior has gradually become a new method of human behavior recognition. The researchers tried to use a lot of machine learning methods, such as random forest, support vector machine and other shallow learning methods, and performed well in the laboratory environment. But there is still a long way to go. Because human behavior is a continuous type of time series data, and considering the magical effect of recurrent neural network on time series data, And in a large number of practical applications have achieved good results, so this paper uses the recursive neural network model in deep learning to solve the behavior recognition problem. The specific research work and innovation of this paper include: 1.This paper is based on wearable devices. According to the characteristics of human behavior, this paper proposes a hierarchical method of recognizing atomic activity first and then complex activity. In this paper, atomic activity is defined as short period activity and outgoing traffic mode activity included in daily activities. Including falling down, going downstairs, going upstairs, elevators down, elevators up, running, sitting, standing, walking, taking the subway, taking buses, taking cars, lying down a total of 13 activities. At the same time, a large number of experiments have been carried out, and good results have been obtained in both the laboratory environment and the practical application environment. In this paper, complex activities are defined as medium- and long-term life activities, including, but not limited to, cooking, mopping, sweeping, eating. Based on the idea of pattern matching in time series analysis, a complex activity recognition algorithm based on dynamic bending distance is designed in this paper. The algorithm can recognize three complex activities, sleep, eat and exercise in laboratory environment. It has low average index error (evaluation index of complex activity recognition algorithm, see chapter 4.2, chapter 4. 4. This paper implements a method to complete data acquisition, data analysis, data display, etc. The behavior recognition prototype system of data management and the intelligent pension system applying the research results of this paper.
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP183

【相似文獻】

相關(guān)期刊論文 前10條

1 溫廣瑞,屈梁生,張西寧;基于遞歸神經(jīng)網(wǎng)絡(luò)的多步預(yù)報方法[J];西安交通大學(xué)學(xué)報;2002年07期

2 金仁貴;;帶有偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)在故障診斷方面的應(yīng)用[J];電腦知識與技術(shù);2006年29期

3 陳鋼;王占山;;連續(xù)時間遞歸神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[J];沈陽理工大學(xué)學(xué)報;2007年02期

4 汪曉夢;;帶有偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)在故障診斷方面的應(yīng)用優(yōu)化[J];甘肅聯(lián)合大學(xué)學(xué)報(自然科學(xué)版);2010年05期

5 杜艷可;徐瑞;;具有時滯的遞歸神經(jīng)網(wǎng)絡(luò)動力學(xué)研究進展[J];北華大學(xué)學(xué)報(自然科學(xué)版);2012年01期

6 蔣洪睿,莫瑋,李麗;遞歸神經(jīng)網(wǎng)絡(luò)自適應(yīng)均衡抗突發(fā)干擾研究[J];電訊技術(shù);2000年01期

7 宋軼民,余躍慶,張策,馬文貴;動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)及其在機敏機構(gòu)辨識中的應(yīng)用[J];機械科學(xué)與技術(shù);2001年04期

8 張奇志,賈永樂,周雅莉;噪聲有源控制的遞歸神經(jīng)網(wǎng)絡(luò)方法[J];控制與決策;2001年03期

9 李峰,李樹榮;基于動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)的動態(tài)矩陣控制[J];石油大學(xué)學(xué)報(自然科學(xué)版);2001年03期

10 唐普英,李紹榮,黃順吉;一種新的復(fù)值遞歸神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法及其應(yīng)用[J];信號處理;2001年06期

相關(guān)會議論文 前10條

1 房毅憲;王寶文;王永茂;;基于偏差遞歸神經(jīng)網(wǎng)絡(luò)的股價預(yù)測(英文)[A];計算機技術(shù)與應(yīng)用進展——全國第17屆計算機科學(xué)與技術(shù)應(yīng)用（CACIS）學(xué)術(shù)會議論文集（上冊）[C];2006年

2 劉勇;沈毅;胡恒章;;遞歸神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波器[A];1998年中國智能自動化學(xué)術(shù)會議論文集（上冊）[C];1998年

3 趙英凱;蔡寧;;基于對角遞歸神經(jīng)網(wǎng)絡(luò)的肟化投酮量在線預(yù)估[A];1998年中國智能自動化學(xué)術(shù)會議論文集（上冊）[C];1998年

4 李樹榮;李峰;;基于動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)重構(gòu)[A];1998年中國控制會議論文集[C];1998年

5 史志偉;韓敏;;應(yīng)用遞歸神經(jīng)網(wǎng)絡(luò)建立非線性結(jié)構(gòu)系統(tǒng)模型[A];第二十三屆中國控制會議論文集（下冊）[C];2004年

6 叢爽;戴誼;;遞歸神經(jīng)網(wǎng)絡(luò)逼近性能的研究[A];'2006系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];2006年

7 呂進;郭晨;劉雨;;基于不完全遞歸神經(jīng)網(wǎng)絡(luò)的二階導(dǎo)數(shù)多步預(yù)測模糊控制及應(yīng)用[A];2007年中國智能自動化會議論文集[C];2007年

8 蒲興成;;時變時滯不確定遞歸神經(jīng)網(wǎng)絡(luò)漸近穩(wěn)定的一個充分條件[A];2008’“先進集成技術(shù)”院士論壇暨第二屆儀表、自動化與先進集成技術(shù)大會論文集[C];2008年

9 仉寶玉;吳志敏;;基于對角遞歸神經(jīng)網(wǎng)絡(luò)的智能PID控制[A];'2003系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];2003年

10 沈艷;謝美萍;;基于遞歸神經(jīng)網(wǎng)絡(luò)的船舶運動極短期建模預(yù)報[A];第二屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2004年

相關(guān)博士學(xué)位論文 前10條

1 趙永昌;一類時滯靜態(tài)遞歸神經(jīng)網(wǎng)絡(luò)的動力學(xué)行為研究[D];中國海洋大學(xué);2010年

2 高海賓;擾動作用下遞歸神經(jīng)網(wǎng)絡(luò)穩(wěn)定性研究[D];燕山大學(xué);2006年

3 黃玉嬌;具有廣義分段線性激活函數(shù)的遞歸神經(jīng)網(wǎng)絡(luò)的多穩(wěn)定性分析[D];東北大學(xué);2014年

4 劉振偉;基于時滯重構(gòu)方法的動態(tài)系統(tǒng)穩(wěn)定性與反饋控制研究[D];東北大學(xué);2015年

5 徐東坡;遞歸神經(jīng)網(wǎng)絡(luò)梯度學(xué)習(xí)算法的收斂性[D];大連理工大學(xué);2009年

6 于佳麗;遞歸神經(jīng)網(wǎng)絡(luò)的連續(xù)吸引子與模糊控制[D];電子科技大學(xué);2009年

7 王芬;遞歸神經(jīng)網(wǎng)絡(luò)的動力學(xué)行為分析[D];武漢科技大學(xué);2011年

8 季策;時滯遞歸神經(jīng)網(wǎng)絡(luò)的動態(tài)特性研究[D];東北大學(xué);2005年

9 徐軍;遞歸神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];浙江大學(xué);2007年

10 張銳;幾類遞歸神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性及其應(yīng)用研究[D];東北大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 李偉;基于遞歸神經(jīng)網(wǎng)絡(luò)的人體行為識別方法研究與系統(tǒng)實現(xiàn)[D];哈爾濱工業(yè)大學(xué);2017年

2 柳玉華;一種遞歸神經(jīng)網(wǎng)絡(luò)方法研究及其在非線性系統(tǒng)跟蹤控制中的應(yīng)用[D];江西理工大學(xué);2015年

3 羅威威;全局指數(shù)穩(wěn)定的遞歸神經(jīng)網(wǎng)絡(luò)的魯棒性分析[D];中國礦業(yè)大學(xué);2015年

4 楊渺渺;具有時滯的遞歸神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];電子科技大學(xué);2015年

5 宛立達;基于振動信號分析的故障診斷理論與應(yīng)用[D];東北石油大學(xué);2010年

6 李克強;基于Spark的大規(guī)模RNNLM系統(tǒng)[D];江蘇大學(xué);2016年

7 謝偉浩;基于多尺度時間遞歸神經(jīng)網(wǎng)絡(luò)的人群異常檢測[D];廣東工業(yè)大學(xué);2016年

8 曹成遠(yuǎn);基于深度學(xué)習(xí)的蛋白質(zhì)殘基相互作用預(yù)測[D];蘇州大學(xué);2016年

9 梁軍;基于深度學(xué)習(xí)的文本特征表示及分類應(yīng)用[D];鄭州大學(xué);2016年

10 王瑞剛;基于遞歸神經(jīng)網(wǎng)絡(luò)的英文手寫輸入法的設(shè)計與實現(xiàn)[D];哈爾濱工業(yè)大學(xué);2016年

，

本文編號：1639892