作者:杨世文,杨明静,刘伟静 单位:湖北省通信学会 出版:《信息通信》2018年第05期 页数:4页  (PDF与DOC格式可能不同) PDF编号:PDFHBYD2018050050 DOC编号:DOCHBYD2018050059 下载格式:PDF + Word/doc 文字可复制、可编辑
《基于神经网络的动作识别方法分析》PDF+DOC2019年第04期 刘伟静,杨明静 《基于体感网的人体运动监测动作识别研究》PDF+DOC2016年第10期 梁园 《老年人动作识别系统研究》PDF+DOC2017年第14期 朱丽,吴雨川,胡峰,马双宝 《一种面向电力运维作业的LSTM动作识别方法》PDF+DOC2019年第12期 刘培贞,贾玉祥,夏时洪 《基于足底压力传感器的人体步态分析系统设计》PDF+DOC2020年第07期 杨敏,费飞,冷莹,吴常铖,杨德华 《大展弦比飞行器伺服气弹模态下传感器布局》PDF+DOC2018年第06期 杨伟奇,杨惠 《基于组合优化的多传感器多目标数据互联》PDF+DOC1996年第06期 胡文龙,毛士艺 《辊形测量中采样策略的研究》PDF+DOC2004年第07期 贾磊,裴仁清,姚广晓 《基于BSN和神经网络的人体日常动作识别方法》PDF+DOC2013年第06期 陈野,王哲龙,李政霖,李宏伟 《一种基于统计的分布式声音监测系统研究》PDF+DOC2013年第07期 程飞,陈建峰,马驰,常跃跃
  • 目前基于可穿戴设备的动作识别的研究大多存在着相似性动作之间区分度较差、样本分布不均匀等问题,从而导致个别分类的准确率低于平均水平,进而影响整体的识别效果。该文单独选取了两组易混淆动作(A:步行/上/下楼梯和B:坐/站/躺)进行分析,并采用人工合成样本(Synthetic Minority Over-sampling Technique,SMOTE)+简单随机采样(Resample)技术对样本进行均衡化处理,之后再分别采用不同的机器学习模型进行训练,综合不同的性能指标得出随机森林(Random Forest)的分类效果最佳:A组动作的识别率最低(97.4%),B组动作的识别率最高(99.53%),且对采样频率和特征值数量具有较好的鲁棒性。

    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。