《基于特征融合进行活动识别的DCNN方法》PDF+DOC
作者:王金甲,杨中玉
单位:中国科学技术信息研究所
出版:《高技术通讯》2016年第04期
页数:7页 (PDF与DOC格式可能不同)
PDF编号:PDFGJSX2016040080
DOC编号:DOCGJSX2016040089
下载格式:PDF + Word/doc 文字可复制、可编辑
《人体动作识别中的深度学习模型选择》PDF+DOC 谭火媛,罗晓牧
《结合手机传感器和卷积神经网络的人体行为识别》PDF+DOC2018年第03期 石代伟,张若英
《基于多传感器信号和卷积神经网络的滚动轴承故障诊断》PDF+DOC2020年第04期 朱丹宸,张永祥,潘洋洋,朱群伟
《基于卷积神经网络的雷达和通信信号调制识别》PDF+DOC2020年第02期 黎仁刚,侯坤元,冷鹏飞,姚群
《人体活动识别数据集的数据处理方法》PDF+DOC2020年第03期 钟楚轶,朱建军
《基于多源异构传感器的深度神经网络行星减速器故障诊断研究》PDF+DOC2018年第12期 李哲,黄兴利,张天凡,景啸
《基于全连接神经网络的雷达目标航迹识别》PDF+DOC2019年第03期 冯诀宵,樊玉琦
《基于传感器人体行为识别深度学习模型的研究》PDF+DOC2018年第04期 陈波,余秋婷,陈铁明
《VIGILANTE—用于自动目标识别的先进的传感/处理测试台》PDF+DOC1998年第08期 周万清
《基于特征融合的刀具磨损监测方法》PDF+DOC1996年第04期 杨林,李圣怡,梁建成,吴学忠
研究了输入是可穿戴传感器获得的多通道时间序列信号,输出是预定义的活动的活动识别模型,指出活动中的有效特征的提取目前多依赖于手工和浅层特征学习结构,不仅复杂而且会导致识别准确率下降;基于深度学习的卷积神经网络(CNN)不是对时间序列信号进行手工特征提取,而是自动学习最优特征;目前使用卷积神经网络处理有限标签数据仍存在过拟合问题。因此提出了一种基于融合特征的系统性的特征学习方法用于活动识别,用Image Net16对原始数据集进行预训练,将得到的数据与原始数据进行融合,并将融合数据和对应的标签送入有监督的深度卷积神经网络(DCNN)中,训练新的系统。在该系统中,特征学习和分类是相互加强的,它不仅能处理端到端的有限数据问题,也能使学习到的特征有更强的辨别力。与其他方法相比,该方法整体精度从87.0%提高到87.4%。
提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。