由于深度學(xué)習(xí)在機(jī)器學(xué)習(xí)領(lǐng)域廣泛應(yīng)用,將深度學(xué)習(xí)應(yīng)用于傳感器數(shù)據(jù)活動(dòng)識(shí)別受到研究人員的關(guān)注,同時(shí),由于室內(nèi)活動(dòng)涉及大量的個(gè)人隱私,因此,如何在保證隱私安全的前提下,提高傳感器數(shù)據(jù)活動(dòng)識(shí)別的準(zhǔn)確率具有較好的理論和應(yīng)用價(jià)值。本文以傳感器序列數(shù)據(jù)為數(shù)據(jù)源,圍繞室內(nèi)傳感器數(shù)據(jù)活動(dòng)識(shí)別方法和隱私保護(hù)展開(kāi)研究。首先,在識(shí)別室內(nèi)活動(dòng)的單變量序列數(shù)據(jù)時(shí),針對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)RNN不能很好地處理具有長(zhǎng)期依賴關(guān)系的序列,導(dǎo)致識(shí)別準(zhǔn)確率降低的問(wèn)題,本文提出一種基于CNN-LSTM的室內(nèi)傳感器數(shù)據(jù)活動(dòng)識(shí)別方法,簡(jiǎn)稱為CLIAR（Indoor Activity Recognition based on CNN-LSTM）。在CLIAR中,卷積神經(jīng)網(wǎng)絡(luò)CNN能很好地提取出活動(dòng)序列數(shù)據(jù)中的特征向量;長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM在考慮當(dāng)前點(diǎn)輸入的同時(shí),又考慮先前點(diǎn)的輸出,能夠保持?jǐn)?shù)據(jù)之間的長(zhǎng)期依賴性,從而解決數(shù)據(jù)間長(zhǎng)期依賴的問(wèn)題,提高活動(dòng)識(shí)別的準(zhǔn)確率。實(shí)驗(yàn)表明,CLIAR的識(shí)別準(zhǔn)確率比模式識(shí)別方法提高了9.3%。其次,針對(duì)LSTM很難從大量活動(dòng)信息中區(qū)分輸入序列的不同重要程度的問(wèn)題,本文提出一種基于時(shí)間Attention LST... 

【文章來(lái)源】：中國(guó)礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
abstract
1 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 主要研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)
2 基于CNN-LSTM的室內(nèi)傳感器數(shù)據(jù)活動(dòng)識(shí)別
    2.1 引言
    2.2 傳感器數(shù)據(jù)活動(dòng)識(shí)別
    2.3 基于CNN-LSTM的室內(nèi)傳感器數(shù)據(jù)活動(dòng)識(shí)別
    2.4 算法描述
    2.5 實(shí)驗(yàn)及分析
    2.6 本章小結(jié)
3 基于時(shí)間Attention LSTM的室內(nèi)傳感器數(shù)據(jù)活動(dòng)識(shí)別
    3.1 引言
    3.2 TAL-ISDAR框架
    3.3 基于時(shí)間Attention的權(quán)重計(jì)算
    3.4 基于dropmax激活函數(shù)的多分類
    3.5 算法描述
    3.6 實(shí)驗(yàn)及分析
    3.7 本章小結(jié)
4 基于隱私保護(hù)的室內(nèi)傳感器數(shù)據(jù)活動(dòng)識(shí)別
    4.1 引言
    4.2 隱私保護(hù)
    4.3 對(duì)抗dropout
    4.4 基于隱私保護(hù)的室內(nèi)傳感器數(shù)據(jù)活動(dòng)識(shí)別
    4.5 算法描述
    4.6 實(shí)驗(yàn)及分析
    4.7 本章小結(jié)
5 總結(jié)與展望
    5.1 主要研究成果
    5.2 研究展望
參考文獻(xiàn)
作者簡(jiǎn)歷
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：2976423