隨著微電子信息系統(tǒng)技術(shù)的日益成熟,不同傳感器可被微型化于各種可穿戴式設(shè)備,以及各種便攜式智能設(shè)備中。通過對這些設(shè)備內(nèi)置傳感器的數(shù)據(jù)進行挖掘,能夠?qū)τ脩舻男袨檫M行分析,為研究基于智能手機平臺的人體行為識別算法提供了基礎(chǔ),從而開發(fā)諸如病人康復(fù)訓(xùn)練、運動員姿勢矯正以及日常人體行為監(jiān)控等個性化與智能服務(wù),具有廣闊的市場前景和經(jīng)濟效益。常見的人體行為識別算法均基于機器學(xué)習(xí)算法技術(shù)進一步開發(fā)得出,此技術(shù)衍生算法可解決行為識別領(lǐng)域中因個體運動速率、運動體態(tài)等運動模式、及個體身高體重等差異導(dǎo)致的識別率低下問題。本文提出一種具備機器學(xué)習(xí)能力的人體行為識別卷積神經(jīng)網(wǎng)絡(luò)CNN算法,可以實現(xiàn)六種人體日常行為,包括走路、慢跑、坐著、站著、上樓和下樓等動作的分類識別。算法涉及關(guān)鍵環(huán)節(jié)包括人體行為識別數(shù)據(jù)集的獲取、數(shù)據(jù)集的預(yù)處理、神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練生成與性能測試,以及模型結(jié)構(gòu)和相關(guān)參數(shù)的優(yōu)化等內(nèi)容。算法性能評估方面,本文使用LIBSVM平臺搭建了基于支持向量機SVM算法的行為識別系統(tǒng),通過運行WISDM標準分類器數(shù)據(jù)集分別得出CNN、SVM兩種算法系統(tǒng)的識別率性能。結(jié)果顯示,基于CNN算法設(shè)計的識別系統(tǒng)準確率可達90...

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖3-1圖像分類中常用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

華東師范大學(xué)碩士學(xué)位論文第三章一種基于卷積神經(jīng)網(wǎng)絡(luò)的人體行為識別算法設(shè)計第三章一種基于卷積神經(jīng)網(wǎng)絡(luò)的人體行為識別算法設(shè)計卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）[21]是人工智能領(lǐng)域深度學(xué)習(xí)（DeepLearning）中應(yīng)用最廣的算法之....

圖3-2基于CNN的人體行為識別算法結(jié)構(gòu)

圖3-2基于CNN的人體行為識別算法結(jié)構(gòu)A.輸入層將1.3節(jié)中提到的WISDM加速度數(shù)據(jù)集作為網(wǎng)絡(luò)的輸入數(shù)據(jù)，即使用該數(shù)據(jù)集對網(wǎng)絡(luò)進行訓(xùn)練和測試。但是原生數(shù)據(jù)不能直接拿來使用，要經(jīng)過必要的預(yù)處理過程，本文在這里使用了兩種方法對數(shù)據(jù)進行預(yù)處理：歸一化處理和數(shù)據(jù)分組....

圖3-3卷積過程示意圖

_w：kernelwidth，單個卷積核的寬度，若寬度為1則為列向量；_d：kerneldepth，單個卷積核的深度，該值必須與s_d相等才能進行卷積運：卷積核/特征矩陣的個數(shù)，每一個卷積核都將學(xué)習(xí)樣本矩陣的一....

圖3-4CNN模型搭建流程示意圖

碩士學(xué)位論文第三章一種基于卷積神經(jīng)網(wǎng)絡(luò)的人體行為出的預(yù)測結(jié)果。CNN模型進行訓(xùn)練和優(yōu)化的過程中還涉及到了一個非常重要權(quán)重和偏差的方法——隨機梯度下降法（StochasticGradie，由于該方法不是本課題核心關(guān)注點，且在本文網(wǎng)絡(luò)模型的搭使用是基于TensorFlow....

本文編號：4054836