排序方式: 共有13条查询结果,搜索用时 31 毫秒
1.
2.
在识别活动时,传统的循环神经网络RNN识别方法不考虑传感器活动数据之间依赖性强的问题,导致识别准确率降低。为了提高识别准确率,解决活动数据依赖性强的问题,用长短期记忆网络LSTM进行活动识别,LSTM在考虑当前点输入的同时考虑先前点的输出,能够保持数据之间的强依赖性。但是,LSTM在处理传感器活动数据的特征提取方面时间效率不高,而卷积神经网络CNN能共享卷积核,且可以从杂乱无章的数据中提取出明显特征向量。提出一种基于CNN-LSTM的活动识别方法CLAR,利用CNN能够很好地提取出活动序列数据中的特征向量,并将提取出的特征向量作为LSTM的输入,利用LSTM门限之间的相互作用进行活动识别,使得依赖性很强的活动数据成为活动识别的优势,进而提高活动识别的准确率和时间效率。实验表明,CLAR方法的识别准确率比单一神经网络活动识别方法的准确率提高了9%,时间平均缩短了10%。 相似文献
3.
4.
5.
硫酸-高压蒸汽法活化煤矸石制作吸附材料的研究 总被引:5,自引:0,他引:5
研究了以煤矸石为基本材料、Na2 CO3 为激发剂、H2 SO4和高压蒸汽为活化剂制作吸附材料的工艺 ,分析了活性材料的吸附机理 ,讨论了蒸汽压力、温度和活化时间对煤矸石活化的影响 ,并对该吸附剂用于污水中COD、金属离子和氨氮的吸附性能进行了试验 ,分析了吸附材料对COD和金属离子的吸附容量。 相似文献
6.
7.
8.
9.
10.
出租车目的地预测可以掌握出租车的流动方向,便于出租车调度。已有的预测方法多仅利用轨迹序列的原始特征作为预测模型的输入,忽略了原始特征背后的时空数据,造成轨迹时空信息缺失。针对以上问题,提出出租车目的地预测的深度学习方法DLDP。首先采用滑动窗口,基于速度、转角利用统计量计算得到轨迹的高层特征。其次,自动编码器将高层特征转换为固定长度的潜在空间表示,得到轨迹的深度特征。最后,将深度特征和原始特征相结合,一同作为LSTM的输入进行预测。实验表明,DLDP比传统RNN预测模型的准确率提高了9%,平均距离误差减少了1 km。 相似文献