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

1、在大數(shù)據(jù)時代，非傳統(tǒng)數(shù)據(jù)急速膨脹，基于傳感器的活動識別領(lǐng)域也發(fā)生了巨大變化，從海量樣本數(shù)據(jù)中挖掘有價值的信息并非易事，對傳統(tǒng)分類算法的處理速度和識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識別。本文主要進行面向多維傳感器活動識別的深度卷積神經(jīng)網(wǎng)絡(luò)研究，在多個數(shù)據(jù)集上進行實驗，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識

2、別。在不同的活動識別數(shù)據(jù)集上分別用SVM算法和深度卷積神經(jīng)網(wǎng)絡(luò)進行實驗，實驗證明，深度卷積神經(jīng)網(wǎng)絡(luò)比SVM算法更適用于實際場景中的活動識別。
　　其次，詳細(xì)說明了卷積神經(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)，與其他算法進行對比，基于融合特征的卷積神經(jīng)網(wǎng)絡(luò)取得了良好效果。在機會數(shù)據(jù)集上進行實驗，活動識別的正確率達到88.0％；在Skoda數(shù)據(jù)集上進行實驗，活動識別的正確率達到95