隨著人們生活水平的提高,對(duì)健康監(jiān)護(hù)、運(yùn)動(dòng)檢測(cè)等方面的需求與日俱增,因此研究人體活動(dòng)識(shí)別方法具有重要的意義。在基于傳感器的人體活動(dòng)識(shí)別研究中,大部分研究采用加速度傳感器采集人體活動(dòng)數(shù)據(jù),然后結(jié)合分類算法完成對(duì)人體活動(dòng)的判斷。在通過提取原始數(shù)據(jù)中的特征值對(duì)人體活動(dòng)進(jìn)行分類的過程中,對(duì)數(shù)據(jù)特征提取時(shí),容易丟失關(guān)鍵信息,從而影響識(shí)別準(zhǔn)確率。同時(shí)現(xiàn)有識(shí)別模型的通用性不強(qiáng),沒有充分考慮人體差異性,識(shí)別算法受到當(dāng)前手持終端或可穿戴設(shè)備的資源限制,很難移植到手持終端或可穿戴設(shè)備中。另一方面,大多數(shù)人體活動(dòng)識(shí)別方法的研究集中于識(shí)別算法的準(zhǔn)確率和硬件設(shè)備性能的提升,忽略了其本身所具有的安全問題�；谏鲜鰡栴},本文設(shè)計(jì)了一種輕量化卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)人體活動(dòng)識(shí)別方法,同時(shí)研究了一種對(duì)抗樣本生成方法,有利于后續(xù)活動(dòng)識(shí)別方法提升對(duì)于惡意攻擊的防御能力。論文主要工作包括以下2個(gè)方面:(1)針對(duì)傳統(tǒng)人體活動(dòng)識(shí)別方法在提取特征值的過程中會(huì)丟失部分信息影響最終識(shí)別準(zhǔn)確率的問題,研究了一種輕量化的卷積神經(jīng)網(wǎng)絡(luò)人體活動(dòng)識(shí)別方法,該方法將加速度原始數(shù)據(jù)轉(zhuǎn)換為圖片格...

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
        1.2.3 存在的問題及不足
    1.3 研究目標(biāo)與內(nèi)容
        1.3.1 研究目標(biāo)
        1.3.2 研究?jī)?nèi)容
        1.3.3 主要?jiǎng)?chuàng)新點(diǎn)
    1.4 論文組織結(jié)構(gòu)
第二章 人體活動(dòng)識(shí)別綜述
    2.1 人體活動(dòng)識(shí)別介紹
        2.1.1 傳感器數(shù)據(jù)采集
        2.1.2 數(shù)據(jù)預(yù)處理方法
        2.1.3 滑動(dòng)窗口
        2.1.4 特征提取與特征選擇
    2.2 分類模型介紹
    2.3 本章小結(jié)
第三章 基于傳統(tǒng)方法的人體活動(dòng)識(shí)別
    3.1 人體活動(dòng)識(shí)別的一般流程
    3.2 數(shù)據(jù)濾波
    3.3 特征值提取
    3.4 實(shí)驗(yàn)分析
        3.4.1 實(shí)驗(yàn)介紹
        3.4.2 原始數(shù)據(jù)濾波實(shí)驗(yàn)
        3.4.3 傳統(tǒng)方法人體活動(dòng)識(shí)別實(shí)驗(yàn)
    3.5 本章小結(jié)
第四章 輕量化CNN人體活動(dòng)識(shí)別方法
    4.1 人體活動(dòng)識(shí)別中的主要問題
    4.2 數(shù)據(jù)預(yù)處理
        4.2.1 穩(wěn)定性處理
        4.2.2 數(shù)據(jù)轉(zhuǎn)換
    4.3 卷積神經(jīng)網(wǎng)絡(luò)模型
    4.4 模型參數(shù)壓縮
    4.5 實(shí)驗(yàn)分析
        4.5.1 輕量化CNN模型方法的數(shù)據(jù)預(yù)處理
        4.5.2 卷積神經(jīng)網(wǎng)絡(luò)人體活動(dòng)識(shí)別模型訓(xùn)練
        4.5.3 卷積神經(jīng)網(wǎng)絡(luò)人體活動(dòng)識(shí)別模型參數(shù)壓縮
        4.5.4 卷積神經(jīng)網(wǎng)絡(luò)人體活動(dòng)識(shí)別模型準(zhǔn)確率
        4.5.5 對(duì)比實(shí)驗(yàn)
    4.6 本章小結(jié)
第五章 人體活動(dòng)識(shí)別算法的攻擊
    5.1 對(duì)抗樣本生成方法介紹
    5.2 對(duì)抗樣本生成方法DE-AE
    5.3 實(shí)驗(yàn)分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介
    作者簡(jiǎn)歷
    攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
    參與的科研項(xiàng)目及獲獎(jiǎng)情況
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：3798839