發(fā)布時(shí)間：2021-11-27 13:45

　　隨著計(jì)算機(jī)技術(shù)和一系列數(shù)學(xué)規(guī)則成功運(yùn)用在處理各種實(shí)際問題中,深度學(xué)習(xí)和人工智能成為各國(guó)關(guān)注和研究的焦點(diǎn),其應(yīng)用現(xiàn)已遍及人們生活的各個(gè)領(lǐng)域。但是基于現(xiàn)有的深度學(xué)習(xí)技術(shù),算法模型在處理圖像和視頻領(lǐng)域的分類識(shí)別任務(wù)時(shí),識(shí)別精度會(huì)隨著圖像和視頻分辨率變化,識(shí)別的時(shí)效性會(huì)產(chǎn)生較大的變化。為了減少訓(xùn)練模型的參數(shù)學(xué)習(xí)和識(shí)別分類成本,提高應(yīng)用的靈活性,使用基于傳感器數(shù)據(jù)集的應(yīng)用模型在現(xiàn)實(shí)生產(chǎn)和生活中有著無法比擬的優(yōu)勢(shì)。算法模型使用傳感器數(shù)據(jù)集進(jìn)行運(yùn)動(dòng)狀態(tài)的識(shí)別有天然的優(yōu)勢(shì):數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)集的小巧性使得基于傳感器數(shù)據(jù)集的運(yùn)動(dòng)狀態(tài)識(shí)別在人類生活的實(shí)際應(yīng)用場(chǎng)景中十分的便利。不管研究人員使用何種類型的傳感器,運(yùn)動(dòng)狀態(tài)的識(shí)別模型都面臨著物理系統(tǒng)和相應(yīng)的使用者、使用環(huán)境、系統(tǒng)本身產(chǎn)生噪聲的影響,噪聲成為了傳感器生成數(shù)據(jù)的一個(gè)重要組成部分。許多優(yōu)秀的論文作者提出了一系列算法和模型試圖解決因噪聲的影響而導(dǎo)致數(shù)據(jù)識(shí)別精確性下降的問題,這些論文的算法模型都是在運(yùn)動(dòng)狀態(tài)識(shí)別過程中盡最大的努力去除噪聲,而實(shí)際場(chǎng)景中通過算法準(zhǔn)確地區(qū)分噪聲數(shù)據(jù)和非噪聲數(shù)據(jù)幾乎是不可能的。傳統(tǒng)的單一算法模型無法識(shí)別噪聲,本論文提出的新模型第一個(gè)重... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁數(shù)】：65 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

4DistributionsofageandgenderofthedatabaseinthefirstdatasetforcenterIMUZ(a),IMUZsubset(b)andsmartphonesubset(c)ofseconddataset.為了驗(yàn)證本模型架構(gòu)的模糊識(shí)別功能，本論文使用了由無線傳感器數(shù)據(jù)挖掘（WISDM）

Using Clustering Algorithm (30-15)圖 5.3 聚類分析圖原始數(shù)據(jù)經(jīng)過 SVD+PCA 和 K-meas 組件，在 CNN 輸入端的 Android 子集不同運(yùn)動(dòng)狀傳感器三軸數(shù)據(jù)集 4s 的數(shù)據(jù)分布如圖 5.4 所示。

圖 5.5 上圖為損失函數(shù)趨勢(shì)圖，下圖為訓(xùn)練、測(cè)試準(zhǔn)確度趨勢(shì)圖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（運(yùn)動(dòng)狀態(tài)識(shí)別準(zhǔn)確度）本論文使用數(shù)據(jù)集[25]測(cè)試整個(gè)模型的動(dòng)作識(shí)別準(zhǔn)確度,從表 2 所示可知本模型要優(yōu)于所有提及的其它論文作者的算法模型。

【參考文獻(xiàn)】：
期刊論文
[1]基于智能手機(jī)內(nèi)置傳感器的人體運(yùn)動(dòng)狀態(tài)識(shí)別[J]. 殷曉玲,陳曉江,夏啟壽,何娟,張鵬艷,陳峰.  通信學(xué)報(bào). 2019(03)
[2]三軸MEMS加速度計(jì)的最大似然校正算法[J]. 陸欣,劉忠,張宏欣,賀靜波.  國(guó)防科技大學(xué)學(xué)報(bào). 2017(05)
[3]基于手機(jī)加速度傳感器的波峰波谷計(jì)步算法研究[J]. 凌海波,楊 靜,周先存.  四川理工學(xué)院學(xué)報(bào)(自然科學(xué)版). 2017(03)
[4]基于遺傳算法的加速度計(jì)免轉(zhuǎn)臺(tái)標(biāo)定方法[J]. 楊管金子,李建辰,黃海,陳剛.  中國(guó)慣性技術(shù)學(xué)報(bào). 2017(01)
[5]基于三軸加速度傳感器的人體運(yùn)動(dòng)識(shí)別[J]. 李鋒,潘敬奎.  計(jì)算機(jī)研究與發(fā)展. 2016(03)
[6]基于手機(jī)加速度傳感器的高精低采樣計(jì)步算法設(shè)計(jì)[J]. 梁久禎,朱向軍,陳璟.  西北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(05)
[7]無依托狀態(tài)加速度計(jì)的新型標(biāo)定方法[J]. 毛友澤,張海.  北京航空航天大學(xué)學(xué)報(bào). 2011(01)



本文編號(hào)：3522413