發(fā)布時間：2020-12-12 17:09

　　人體的活動數(shù)據(jù),可被一些采集設備諸如智能手機、手環(huán)等中的傳感器自主收集。分析這些數(shù)據(jù)中蘊含的活動類型具有重要的現(xiàn)實意義。傳統(tǒng)的手工提取特征的活動識別方法不具備較好的泛化能力,提取特征的好壞與領域知識強相關,具有相當?shù)木窒扌�。當前在圖像、語音、翻譯等領域針對深度學習中卷積網(wǎng)絡與循環(huán)網(wǎng)絡等研究愈發(fā)多,但在活動識別領域的相關研究還不是很多,純粹針對原始數(shù)據(jù)應用這些網(wǎng)絡架構的研究更是較少。有鑒于此,本文從以下三個方面展開人體活動識別研究的相關工作。首先,進行了卷積神經(jīng)網(wǎng)絡與循環(huán)神經(jīng)網(wǎng)絡在人體活動識別問題上的探究。具體而言選取了 3個典型的卷積神經(jīng)網(wǎng)絡與3個典型的循環(huán)神經(jīng)網(wǎng)絡進行實驗,將這6個網(wǎng)絡模型置放到3個公開數(shù)據(jù)集上進行實驗,針對這3個數(shù)據(jù)集還進行了 4種傳統(tǒng)機器學習方法的實驗,于此則能較為詳盡的比對說明。其次,針對卷積模型與循環(huán)模型,本文提出了二者特征聯(lián)合的CRNN模型,該模型按卷積網(wǎng)絡和循環(huán)網(wǎng)絡組合方式的不同劃分為聯(lián)立與分立兩種形式。針對這兩種不同形式的模型,在同樣的3個數(shù)據(jù)集上進行了實驗。最后,針對傳感器數(shù)據(jù)特征提取過程的不同,本文提出了不同于一般卷積網(wǎng)絡模型中固定卷積維度的變維卷積... 

【文章來源】：廈門大學福建省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

圖２．１?ＮＮ基本單元結構??

函數(shù)?ＲｅＬＵ（?Ｒｅｃｔｉｆｉｅｄ?Ｌｉｎｅａｒ?Ｕｎｉｔｓ）［２３］?／（ｘ）?＝?Ｚ？ｅＬ＂（ｘ）?＝?０?（ｘ?￡?０）?ｏｒ?ｘ?（ｘ?仝?０），??注意到該表達式也可以等效簡潔寫成／（ｘ）?＝?ｍａｘ（０，?ｘ）。該表達式圖像可繪制如??下圖（圖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??圖２．２?ＲｅＬＵ函數(shù)解析式圖??上述這些函數(shù)一般使用標量值作為輸入。另外的，當單元的輸入值是一個向??量值，常用的激勵函數(shù)有Ｓｏｆｔｍａｘ函數(shù)，Ｍａｘｏｕｔ函數(shù)等。這兩個函數(shù)的表達式對??應如下。??乂２，…，＾Ｖｎ）ｉ?－?￣＾７?（２．１）??／（ｘｘ，?ｘ２，．．．，?ｘｍ）?＝?ｍａｘ（ｘｖ?ｘ２，．．．，?ｘｍ）?（２．２）??ＮＮ?—般包括輸入、隱含、輸出三個層次。其基本結構如下圖（圖２．３）所示，??圖示結構包含６個輸入單元的輸入層，２個單元的隱含層，以及用于最后分類的??一個單元的輸出。當需要預測很多類時

函數(shù)?ＲｅＬＵ（?Ｒｅｃｔｉｆｉｅｄ?Ｌｉｎｅａｒ?Ｕｎｉｔｓ）［２３］?／（ｘ）?＝?Ｚ？ｅＬ＂（ｘ）?＝?０?（ｘ?￡?０）?ｏｒ?ｘ?（ｘ?仝?０），??注意到該表達式也可以等效簡潔寫成／（ｘ）?＝?ｍａｘ（０，?ｘ）。該表達式圖像可繪制如??下圖（圖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??圖２．２?ＲｅＬＵ函數(shù)解析式圖??上述這些函數(shù)一般使用標量值作為輸入。另外的，當單元的輸入值是一個向??量值，常用的激勵函數(shù)有Ｓｏｆｔｍａｘ函數(shù)，Ｍａｘｏｕｔ函數(shù)等。這兩個函數(shù)的表達式對??應如下。??乂２，…，＾Ｖｎ）ｉ?－?￣＾７?（２．１）??／（ｘｘ，?ｘ２，．．．，?ｘｍ）?＝?ｍａｘ（ｘｖ?ｘ２，．．．，?ｘｍ）?（２．２）??ＮＮ?—般包括輸入、隱含、輸出三個層次。其基本結構如下圖（圖２．３）所示，??圖示結構包含６個輸入單元的輸入層，２個單元的隱含層，以及用于最后分類的??一個單元的輸出。當需要預測很多類時

【參考文獻】：
期刊論文
[1]基于隨機森林算法的多維情境特征活動識別[J]. 劉克強,汪云甲,陳銳志,褚天行.  測繪通報. 2017(07)
[2]基于三軸傳感器的老年人日�；顒幼R別[J]. 汪成亮,王小均.  電子學報. 2017(03)
[3]基于特征融合進行活動識別的DCNN方法[J]. 王金甲,楊中玉.  高技術通訊. 2016(04)
[4]手機位置和朝向無關的活動識別技術研究[J]. 吳淵,史殿習,楊若松,李寒,陳茜,周榮.  計算機技術與發(fā)展. 2016(04)
[5]無監(jiān)督特征學習的人體活動識別[J]. 史殿習,李勇謀,丁博.  國防科技大學學報. 2015(05)



本文編號：2912963