排序方式: 共有32条查询结果,搜索用时 140 毫秒
1.
深度循环神经网络适用于处理时间序列数据, 然而循环神经网络特征提取能力差, 时间依赖关系挖掘不足。针对此问题, 提出了3种注意力机制和长短时记忆(LSTM)神经网络结合的模型用于人类活动识别问题, 并研究了3种注意力机制在不同数据集上单独及配合使用时对模型精度的影响。对于UCI_HAR数据集, 3种注意力LSTM模型准确率分别为94.13%、95.15%和94.81%,高于LSTM模型识别准确率93.2%。此外, 针对人类活动识别的传感器时间序列数据的标签特点, 提出将时间段分类任务转化为分割任务, 设计了2个基于分割任务的注意力门控循环单元(GRU)神经网络模型, Bahdanau注意力GRU模型在Skoda数据集和机会(Oppor)数据集准确率为84.61%和89.54%, 高于基准UNet模型的70.40%和88.51%。 相似文献
3.
基于对现有Android手机活动识别技术的分析,针对从不完全、不充分的移动传感器数据中推断人体活动的难题,将能根据无标签样本提高识别预测准确性和速度的半监督(SS)学习和体现模式分类回归的有效学习机制的极限学习机(ELM)相结合给出了解决Android手机平台的人体活动识别问题的半监督极限学习机(SS-ELM)方法,并进一步提出了主成分分析(PCA)和半监督极限学习机(SS-ELM)结合的PCA+SS-ELM新方法。实验结果表明,该方法对人体活动的识别正确率能达到95%,优于最近提出的混合专家半监督模型的正确率,从而验证了该新方法是可行性。 相似文献
4.
5.
脑电信号反映了生物体的大脑活动,在采集和处理过程中极易受到各种噪声的干扰,如眨眼、快速眼动、心电、肌电等,这些噪声给脑电信号的分析处理带来了很大的困难。本文提出了卡尔曼滤波模型和模型参数估计的方法,将其应用于脑电ECoG信号去噪预处理。实验所用的数据是公开的脑机接口竞赛实验数据(BCI Competition Ⅲ dataset Ⅰ),分类正确率为92%。实验结果表明通过本方法去噪预处理后,分类正确率比竞赛第一名高,并且优于小波去噪与谱减法等预处理方法。 相似文献
6.
7.
研究了输入是可穿戴传感器获得的多通道时间序列信号,输出是预定义的活动的活动识别模型,指出活动中的有效特征的提取目前多依赖于手工和浅层特征学习结构,不仅复杂而且会导致识别准确率下降;基于深度学习的卷积神经网络( CNN)不是对时间序列信号进行手工特征提取,而是自动学习最优特征;目前使用卷积神经网络处理有限标签数据仍存在过拟合问题。因此提出了一种基于融合特征的系统性的特征学习方法用于活动识别,用ImageNet16对原始数据集进行预训练,将得到的数据与原始数据进行融合,并将融合数据和对应的标签送入有监督的深度卷积神经网络( DCNN )中,训练新的系统。在该系统中,特征学习和分类是相互加强的,它不仅能处理端到端的有限数据问题,也能使学习到的特征有更强的辨别力。与其他方法相比,该方法整体精度从87.0%提高到87.4%。 相似文献
8.
针对高光谱高分辨率带来巨大数据量和空间分辨率引起混合像元的问题,提出了基于子空间(subspace)的字典偶学习(DPL)算法,简称DPLsub算法。DPL算法是对字典学习的改进,它通过学习得到综合字典和分析字典,在模式识别中体现了高效性,而子空间投影的方法能更好地表征噪声和高度混合的像元。将光谱和空间特征融合的方法用于分类研究试验。实验数据是两幅高光谱影像,比较了子空间字典偶学习(DPLsub)模型和其他三种分类器即最小二乘支持向量机(LS-SVM)、稀疏多分类回归(SMLR)和字典学习(DL-OMP)的分类结果。实验结果显示,DPLsub算法无论在时间上还是精度上都优于其他算法,证明了这种子空间字典偶学习方法对高光谱图像分类的可行性与高效性。 相似文献
9.
10.
卷积稀疏编码(Convolutional sparse coding, CSC)已广泛应用于信号或图像处理、重构和分类等任务中, 基于深度学习思想的多层卷积稀疏编码(Multi-layer convolutional sparse coding, ML-CSC)模型的多层基追踪(Multi-layer basic pursuit, ML-BP)问题和多层字典学习问题成为研究热点. 但基于傅里叶域的交替方向乘子法(Alternating direction multiplier method, ADMM)求解器和基于图像块(Patch)空间域思想的传统基追踪算法不能容易地扩展到多层情况. 在切片(Slice)局部处理思想的基础上, 本文提出了一种新的多层基追踪算法: 多层局部块坐标下降(Multi-layer local block coordinatedescent, ML-LoBCoD)算法. 在多层迭代软阈值算法(Multi-layer iterative soft threshold algorithm, ML-ISTA)和对应的迭代展开网络ML-ISTA-Net 的启发下, 提出了对应的迭代展开网络ML-LoBCoD-Net. ML-LoBCoD-Net实现信号的表征学习功能, 输出的最深层卷积稀疏编码用于分类. 此外, 为了获得更好的信号重构, 本文提出了一种新的多层切片卷积重构网络(Multi-layer slice convolutional reconstruction network, ML-SCRN), ML-SCRN实现从信号稀疏编码到信号重构. 我们对这两个网络分别进行实验验证. 然后将ML-LoBCoD-Net和ML-SCRN 进行级联得到ML-LoBCoD-SCRN合并网, 同时实现图像的分类和重构. 与传统基于全连接层对图像进行重建的方法相比, 本文提出的ML-LoBCoD-SCRN合并网所需参数少, 收敛速度快, 重构精度高. 本文将ML-ISTA和多层快速迭代软阈值算法(Multi-layer fast iterative soft threshold algorithm, ML-FISTA) 构建为ML-ISTA-SCRN和ML-FISTA-SCRN进行对比实验, 初步证明了所提出的ML-LoBCoD-SCRN分类重构网在MNIST、CIFAR10和CIFAR100数据集上是有效的, 分类准确率、损失函数和信号重构结果都优于ML-ISTA-SCRN和ML-FISTA-SCRN. 相似文献