發(fā)布時(shí)間：2021-05-18 11:55

　　人體行為識(shí)別在計(jì)算機(jī)視覺領(lǐng)域的重要課題,其在健康醫(yī)療、智能家居、安全監(jiān)控、游戲控制等領(lǐng)域有著廣泛地應(yīng)用前景。近年來,智能手機(jī)發(fā)展迅速,其不僅搭載了多種慣性傳感器,而且具備計(jì)算能力,便攜性好,這使得基于智能手機(jī)的人體行為識(shí)別研究越來越受到研究者的關(guān)注。同時(shí),深度學(xué)習(xí)理論的發(fā)展也為行為識(shí)別研究提供了新的思路。另外,基于智能手機(jī)的人體行為識(shí)別應(yīng)用在追求高的準(zhǔn)確率的同時(shí),往往也會(huì)關(guān)注應(yīng)用的實(shí)時(shí)性和能耗,因此本文主要針對(duì)這兩個(gè)方面進(jìn)行了分析和研究。具體內(nèi)容如下:傳統(tǒng)的RNN（Recurrent Neural Network,循環(huán)神經(jīng)網(wǎng)絡(luò)）及LSTM（Long Short Time Memory,長(zhǎng)短期記憶）網(wǎng)絡(luò)能夠提取樣本中的時(shí)間依賴特征,這非常適用于基于智能手機(jī)傳感器的人體行為識(shí)別的應(yīng)用場(chǎng)景,但是它們的時(shí)間復(fù)雜度卻比較高。針對(duì)該問題,本文提出了一種基于多層并行LSTM網(wǎng)絡(luò)的行為識(shí)別算法。該算法通過樣本分割、并行處理和特征融合的方式對(duì)樣本進(jìn)行特征提取,不僅可以提取出時(shí)間依賴特征,還能降低時(shí)間復(fù)雜度。實(shí)驗(yàn)表明,該算法相較于傳統(tǒng)的機(jī)器學(xué)習(xí)算法有更高的準(zhǔn)確率,并且時(shí)間復(fù)雜度低,實(shí)時(shí)性高,適用于智能手機(jī)... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 行為識(shí)別研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)研究現(xiàn)狀
        1.2.3 基于深度學(xué)習(xí)的行為識(shí)別研究現(xiàn)狀
    1.3 面臨技術(shù)問題及挑戰(zhàn)
    1.4 本文的研究?jī)?nèi)容
    1.5 論文的組織結(jié)構(gòu)
第二章 相關(guān)背景知識(shí)介紹
    2.1 基于手機(jī)傳感器的人體行為識(shí)別
        2.1.1 人體行為識(shí)別概述
        2.1.2 手機(jī)傳感器
    2.2 深度學(xué)習(xí)
        2.2.1 監(jiān)督學(xué)習(xí)
        2.2.2 深度神經(jīng)網(wǎng)絡(luò)
    2.3 強(qiáng)化學(xué)習(xí)
        2.3.1 強(qiáng)化學(xué)習(xí)基本概念
        2.3.2 馬爾科夫決策過程
        2.3.3 值函數(shù)
        2.3.4 行為選擇機(jī)制
        2.3.5 Q學(xué)習(xí)算法
    2.4 本章小結(jié)
第三章 基于多層并行LSTM網(wǎng)絡(luò)的行為識(shí)別算法
    3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        3.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        3.1.2 LSTM網(wǎng)絡(luò)
        3.1.3 LSTM的時(shí)間復(fù)雜度
    3.2 基于多層并行LSTM網(wǎng)絡(luò)的行為識(shí)別算法
        3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.2 訓(xùn)練參數(shù)
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 UCI數(shù)據(jù)集
        3.3.2 實(shí)驗(yàn)設(shè)置
        3.3.3 實(shí)驗(yàn)結(jié)果
    3.4 本章小結(jié)
第四章 基于強(qiáng)化學(xué)習(xí)的自適應(yīng)采樣率算法
    4.1 采樣率對(duì)能耗及準(zhǔn)確率的影響
    4.2 基于強(qiáng)化學(xué)習(xí)的自適應(yīng)采樣率算法
        4.2.1 問題描述
        4.2.2 算法模型
    4.3 構(gòu)建采樣率選擇器模型
    4.4 深度Q學(xué)習(xí)算法
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 數(shù)據(jù)集
        4.5.2 實(shí)驗(yàn)結(jié)果
    4.6 本章小結(jié)
第五章 總結(jié)與展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間撰寫的論文
附錄2 攻讀碩士學(xué)位期間參加的科研項(xiàng)目
致謝


【參考文獻(xiàn)】：
期刊論文
[1]Activity Recognition with Smartphone Sensors[J]. Xing Su,Hanghang Tong,Ping Ji.  Tsinghua Science and Technology. 2014(03)

碩士論文
[1]基于智能手機(jī)傳感器的人體行為識(shí)別技術(shù)研究[D]. 丁忠成.湖南大學(xué) 2018
[2]基于慣性傳感器的體感動(dòng)作識(shí)別和分析[D]. 陳宇清.華南理工大學(xué) 2018
[3]基于深度學(xué)習(xí)的人體行為識(shí)別方法研究[D]. 陳玲.電子科技大學(xué) 2018
[4]基于智能手機(jī)的人體跌倒監(jiān)控系統(tǒng)的研究[D]. 朱彤昆.電子科技大學(xué) 2018
[5]基于手機(jī)傳感器的行為和手勢(shì)識(shí)別的研究與實(shí)現(xiàn)[D]. 盧帥.電子科技大學(xué) 2018



本文編號(hào)：3193747