隨著人們生活水平的提高,對健康監(jiān)護、運動檢測等方面的需求與日俱增,因此研究人體活動識別方法具有重要的意義。在基于傳感器的人體活動識別研究中,大部分研究采用加速度傳感器采集人體活動數(shù)據(jù),然后結(jié)合分類算法完成對人體活動的判斷。在通過提取原始數(shù)據(jù)中的特征值對人體活動進行分類的過程中,對數(shù)據(jù)特征提取時,容易丟失關(guān)鍵信息,從而影響識別準(zhǔn)確率。同時現(xiàn)有識別模型的通用性不強,沒有充分考慮人體差異性,識別算法受到當(dāng)前手持終端或可穿戴設(shè)備的資源限制,很難移植到手持終端或可穿戴設(shè)備中。另一方面,大多數(shù)人體活動識別方法的研究集中于識別算法的準(zhǔn)確率和硬件設(shè)備性能的提升,忽略了其本身所具有的安全問題�；谏鲜鰡栴},本文設(shè)計了一種輕量化卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)人體活動識別方法,同時研究了一種對抗樣本生成方法,有利于后續(xù)活動識別方法提升對于惡意攻擊的防御能力。論文主要工作包括以下2個方面:(1)針對傳統(tǒng)人體活動識別方法在提取特征值的過程中會丟失部分信息影響最終識別準(zhǔn)確率的問題,研究了一種輕量化的卷積神經(jīng)網(wǎng)絡(luò)人體活動識別方法,該方法將加速度原始數(shù)據(jù)轉(zhuǎn)換為圖片格...

【文章頁數(shù)】：70 頁

【學(xué)位級別】：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 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
        1.2.3 存在的問題及不足
    1.3 研究目標(biāo)與內(nèi)容
        1.3.1 研究目標(biāo)
        1.3.2 研究內(nèi)容
        1.3.3 主要創(chuàng)新點
    1.4 論文組織結(jié)構(gòu)
第二章 人體活動識別綜述
    2.1 人體活動識別介紹
        2.1.1 傳感器數(shù)據(jù)采集
        2.1.2 數(shù)據(jù)預(yù)處理方法
        2.1.3 滑動窗口
        2.1.4 特征提取與特征選擇
    2.2 分類模型介紹
    2.3 本章小結(jié)
第三章 基于傳統(tǒng)方法的人體活動識別
    3.1 人體活動識別的一般流程
    3.2 數(shù)據(jù)濾波
    3.3 特征值提取
    3.4 實驗分析
        3.4.1 實驗介紹
        3.4.2 原始數(shù)據(jù)濾波實驗
        3.4.3 傳統(tǒng)方法人體活動識別實驗
    3.5 本章小結(jié)
第四章 輕量化CNN人體活動識別方法
    4.1 人體活動識別中的主要問題
    4.2 數(shù)據(jù)預(yù)處理
        4.2.1 穩(wěn)定性處理
        4.2.2 數(shù)據(jù)轉(zhuǎn)換
    4.3 卷積神經(jīng)網(wǎng)絡(luò)模型
    4.4 模型參數(shù)壓縮
    4.5 實驗分析
        4.5.1 輕量化CNN模型方法的數(shù)據(jù)預(yù)處理
        4.5.2 卷積神經(jīng)網(wǎng)絡(luò)人體活動識別模型訓(xùn)練
        4.5.3 卷積神經(jīng)網(wǎng)絡(luò)人體活動識別模型參數(shù)壓縮
        4.5.4 卷積神經(jīng)網(wǎng)絡(luò)人體活動識別模型準(zhǔn)確率
        4.5.5 對比實驗
    4.6 本章小結(jié)
第五章 人體活動識別算法的攻擊
    5.1 對抗樣本生成方法介紹
    5.2 對抗樣本生成方法DE-AE
    5.3 實驗分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
作者簡介
    作者簡歷
    攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
    參與的科研項目及獲獎情況
學(xué)位論文數(shù)據(jù)集



本文編號：3798839