面向多維傳感器活動(dòng)識(shí)別的深度卷積神經(jīng)網(wǎng)絡(luò)研究.pdf

1、在大數(shù)據(jù)時(shí)代，非傳統(tǒng)數(shù)據(jù)急速膨脹，基于傳感器的活動(dòng)識(shí)別領(lǐng)域也發(fā)生了巨大變化，從海量樣本數(shù)據(jù)中挖掘有價(jià)值的信息并非易事，對(duì)傳統(tǒng)分類算法的處理速度和識(shí)別正確率均提出了挑戰(zhàn)。這催生了許多新技術(shù)的發(fā)展和多學(xué)科的融合，如將深度卷積神經(jīng)網(wǎng)絡(luò)用于基于傳感器的活動(dòng)識(shí)別。本文主要進(jìn)行面向多維傳感器活動(dòng)識(shí)別的深度卷積神經(jīng)網(wǎng)絡(luò)研究，在多個(gè)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，取得了良好的研究與應(yīng)用效果。
　　首先，將傳統(tǒng)的SVM算法和深度卷積神經(jīng)網(wǎng)絡(luò)用于基于傳感器的活動(dòng)識(shí)

2、別。在不同的活動(dòng)識(shí)別數(shù)據(jù)集上分別用SVM算法和深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)證明，深度卷積神經(jīng)網(wǎng)絡(luò)比SVM算法更適用于實(shí)際場(chǎng)景中的活動(dòng)識(shí)別。
　　其次，詳細(xì)說(shuō)明了卷積神經(jīng)網(wǎng)絡(luò)涉及的原理、概念、整體架構(gòu)、稀疏連接和權(quán)重共享思想。然后介紹基于融合特征的卷積神經(jīng)網(wǎng)絡(luò)，與其他算法進(jìn)行對(duì)比，基于融合特征的卷積神經(jīng)網(wǎng)絡(luò)取得了良好效果。在機(jī)會(huì)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，活動(dòng)識(shí)別的正確率達(dá)到88.0％；在Skoda數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，活動(dòng)識(shí)別的正確率達(dá)到95