【摘要】：基于智能手機(jī)內(nèi)置加速度傳感器的人體行為識(shí)別是近年來(lái)人工智能領(lǐng)域的一個(gè)研究熱點(diǎn),傳統(tǒng)的貝葉斯、極速學(xué)習(xí)機(jī)、決策樹(shù)等識(shí)別方法都必須先針對(duì)加速度傳感器采集數(shù)據(jù)提取時(shí)頻域特征,并從大量的時(shí)頻特征中進(jìn)行特征優(yōu)選。采用深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)算法(convolutional neural network,CNN)在大數(shù)據(jù)量與小數(shù)據(jù)量?jī)煞N情況下分別進(jìn)行特征學(xué)習(xí),直接讀取智能手機(jī)內(nèi)置三軸加速度數(shù)據(jù),自動(dòng)提取加速度信號(hào)的特征,利用自動(dòng)提取出來(lái)的加速度數(shù)據(jù)特征,結(jié)合決策樹(shù)算法實(shí)現(xiàn)人體行為的分類識(shí)別。實(shí)驗(yàn)表明,該識(shí)別方法準(zhǔn)確率較傳統(tǒng)機(jī)器學(xué)習(xí)方法提高了1.1%~5.2%,尤其在大數(shù)據(jù)量下準(zhǔn)確率提高更為明顯。
[Abstract]:Human behavior recognition based on the built-in acceleration sensor of smart phone is a research hotspot in the field of artificial intelligence in recent years, traditional Bayes, extreme learning machine, The decision tree and other recognition methods must first extract the time-frequency domain features from the acceleration sensor data and select the features from a large number of time-frequency features. In this paper, the convolution neural network (convolutional neural network,CNN) algorithm in depth learning is used to learn the features of the acceleration signal in the case of large and small data, and to read the three-axis acceleration data directly, and to extract the characteristics of acceleration signal automatically. Based on the feature of acceleration data extracted automatically and decision tree algorithm, the classification and recognition of human behavior are realized. The experimental results show that the accuracy of this recognition method is higher than that of the traditional machine learning method by 1.1 and 5.2, especially in the case of large amount of data.
【作者單位】： 西安郵電大學(xué)計(jì)算機(jī)學(xué)院;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(61373116) 陜西省科技統(tǒng)籌創(chuàng)新工程計(jì)劃項(xiàng)目(2016KTZDGY04-01) 陜西省教育廳專項(xiàng)科研計(jì)劃資助項(xiàng)目(16JK1706) 西安市科技局科技計(jì)劃項(xiàng)目(2017084CG/RC047(XAYD001)
【分類號(hào)】：TP18;TP212.9

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李治瑋;郭戈;;一種新型指針儀表識(shí)別方法研究[J];微計(jì)算機(jī)信息;2007年31期

2 趙慶;空中目標(biāo)的識(shí)別——一種基于局域庫(kù)搜索的識(shí)別方法[J];機(jī)器人;1993年04期

3 吳東生,蔡品璐;脈沖響應(yīng)函數(shù)的識(shí)別方法[J];武漢紡織工學(xué)院學(xué)報(bào);1997年03期

4 趙捧,蔣慰孫;基于模糊神經(jīng)網(wǎng)絡(luò)的工況區(qū)域識(shí)別方法[J];華東理工大學(xué)學(xué)報(bào);1998年01期

5 易方;李著信;孫秀平;馬維平;;基于模糊神經(jīng)網(wǎng)絡(luò)的管道缺陷識(shí)別方法研究[J];微計(jì)算機(jī)信息;2010年02期

6 陳彥;于徐紅;;高速公路斜拉橋索力檢測(cè)數(shù)據(jù)快速采集與識(shí)別方法[J];貴州師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年04期

7 王軍強(qiáng);陳劍;王爍;郭銀洲;張映鋒;孫樹(shù)棟;;作業(yè)車間區(qū)間型多屬性瓶頸識(shí)別方法[J];計(jì)算機(jī)集成制造系統(tǒng);2013年02期

8 曾韜;余永權(quán);趙銳;;工程矛盾的可拓模型及主要矛盾識(shí)別方法[J];廣東工業(yè)大學(xué)學(xué)報(bào);2013年03期

9 劉相濱,向堅(jiān)持,王勝春;人行為識(shí)別與理解研究探討[J];計(jì)算機(jī)與現(xiàn)代化;2004年12期

10 姚世選;裴永斌;常曉明;薄志強(qiáng);;關(guān)于智能車模起跑線識(shí)別方法的設(shè)計(jì)與實(shí)現(xiàn)[J];電子產(chǎn)品世界;2007年06期

相關(guān)會(huì)議論文 前6條

1 方帥;曹洋;王浩;;視頻監(jiān)控中的行為識(shí)別[A];2007中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2007年

2 趙捧;蔣慰孫;;一種新的工況區(qū)域識(shí)別方法[A];1997中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1997年

3 王忠民;曹棟;;坐標(biāo)轉(zhuǎn)換在移動(dòng)用戶行為識(shí)別中的應(yīng)用研究[A];2013年全國(guó)通信軟件學(xué)術(shù)會(huì)議論文集[C];2013年

4 楊樹(shù)林;柯有安;;神經(jīng)網(wǎng)絡(luò)與DTW兩種識(shí)別方法的比較[A];第二屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集[C];1992年

5 那文波;;樹(shù)型傳輸網(wǎng)故障分支識(shí)別方法[A];中國(guó)儀器儀表學(xué)會(huì)第九屆青年學(xué)術(shù)會(huì)議論文集[C];2007年

6 屠s，

本文編號(hào)：2324635