面向多维传感器活动识别的深度卷积神经网络研究

摘要

在大数据时代，非传统数据急速膨胀，基于传感器的活动识别领域也发生了巨大变化，从海量样本数据中挖掘有价值的信息并非易事，对传统分类算法的处理速度和识别正确率均提出了挑战。这催生了许多新技术的发展和多学科的融合，如将深度卷积神经网络用于基于传感器的活动识别。本文主要进行面向多维传感器活动识别的深度卷积神经网络研究，在多个数据集上进行实验，取得了良好的研究与应用效果。
　　首先，将传统的SVM算法和深度卷积神经网络用于基于传感器的活动识别。在不同的活动识别数据集上分别用SVM算法和深度卷积神经网络进行实验，实验证明，深度卷积神经网络比SVM算法更适用于实际场景中的活动识别。
　　其次，详细说明了卷积神经网络涉及的原理、概念、整体架构、稀疏连接和权重共享思想。然后介绍基于融合特征的卷积神经网络，与其他算法进行对比，基于融合特征的卷积神经网络取得了良好效果。在机会数据集上进行实验，活动识别的正确率达到88.0％；在Skoda数据集上进行实验，活动识别的正确率达到95.2%。
　　最后，将卷积和递归长短时记忆神经网络用于活动识别。基于卷积和递归长短时记忆神经网络提出的通用框架，能够通过卷积运算提取特征，通过递归长短时记忆神经网络捕获时间信息。实验证明，这种框架在识别正确率相当的情况下，可以优化训练的模型，减少需要训练的参数个数。

目录

声明

第1章 绪 论

1.1 研究背景

1.2 研究现状

1.3 本文主要研究内容及组织架构

第2章 SVM和DCNN用于活动识别

2.1 引言

2.2 衡量指标和数据集

2.3 支持向量机

2.4 适用于UCI数据集的卷积神经网络结构

2.5 适用于机会数据集的卷积神经网络结构

2.6 实验结果与分析

2.7 本章小结

第3章 基于融合特征的深度卷积神经网络

3.1 引言

3.2 预训练模型

3.3 卷积神经网络的基本思想

3.4 基于融合特征的深度卷积神经网络

3.5 基于融合特征的深度卷积神经网络进行活动识别实验结果

3.6 本章小结

第4章 将卷积和递归长短时记忆神经网络用于活动识别

4.1 引言

4.2 递归网络前向传播

4.3 DeepConvLSTM架构

4.4 模型实现和训练

4.5 实验结果与分析

4.6 本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢