基于传感器数据和深度学习的日常活动识别方法研究

发布时间：2023-05-08 00:42

　　随着大数据和物联网的发展,人类活动识别的研究在普适计算领域所占比重越来越大。同时研究人员出于对个人隐私的保护,在活动识别领域,基于传感器数据的人类日常活动识别变得越来越受欢迎。近几年来,深度学习以及硬件设备显卡与GPU加速功能的不断发展,深度学习模型在计算机的各项应用领域的比赛中都获得优秀的成绩。因此,本文主要基于传感器数据和深度学习对活动识别领域的识别活动的方法进行研究。本文在研究的过程中发现,针对用户A训练的深度学习模型难以对用户B进行有效的识别。模型(在不同人之间)迁移的效果是制约活动识别模型和方法在实际中应用的关键。目前学术界对活动识别领域深度学习模型的迁移问题仍鲜有研究,其效果、机理、影响因素等仍不清晰。因此,本文主要针对在不同人之间进行深度模型迁移开展了实证研究,对CNN提取的特征进行了可视化和分布分析,探索并对比了典型无监督迁移方法和半监督迁移(对目标域而言)方法的可行性及其优缺点。最终,本文提出了活动识别领域的一种Center Loss与MMD联合的无监督迁移方法。在基于传感器数据的活动识别方法研究部分,本文主要分为以下3个部分进行方法研究,首先是判别式深度模型的活动识...

【文章页数】：81 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题来源
    1.2 研究背景与意义
    1.3 国内外研究综述
        1.3.1 活动识别的应用领域
        1.3.2 活动识别的传感器类型
        1.3.3 活动识别的深度学习模型
        1.3.4 活动识别的迁移学习方法
    1.4 本文的主要研究内容及章节安排
第2章 基于传感器数据的活动识别方法研究
    2.1 基于传感器数据的活动识别方法定义与难点挑战
    2.2 整体研究方案
        2.2.1 传感器数据预处理
        2.2.2 活动识别领域的判别式深度模型
        2.2.3 活动识别领域的生成式深度模型
        2.2.4 活动识别领域的混合式深度模型
    2.3 活动识别领域基于传感器数据的深度学习模型评估
        2.3.1 UCI human activity recognition using smartphones数据集
        2.3.2 UniMiB SHAR数据集
        2.3.3 OPPORTUNITY数据集
        2.3.4 活动识别的深度学习模型网络结构对比分析
        2.3.5 活动识别领域基于传感器数据的深度学习模型对比分析
    2.4 本章小结
第3章 活动识别领域深度迁移的实证研究
    3.1 活动识别领域不同人之间迁移问题定义
    3.2 整体研究方案
        3.2.1 基础的深度学习模型
        3.2.2 无监督迁移学习
        3.2.3 半监督迁移学习
    3.3 活动识别领域DANN与FINE-TUNE迁移方法评估
        3.3.1 CNN提取特征分析
        3.3.2 DANN实验结果分析
        3.3.3 Fine-tune实验结果分析
    3.4 活动识别领域DANN与FINE-TUNE迁移的评估与结论
    3.5 本章小结
第4章 基于CENTER LOSS与MMD的迁移方法研究
    4.1 整体研究方案
    4.2 CENTER LOSS与MMD联合损失函数迁移方法
        4.2.1 Center Loss数据特征表示方法
        4.2.2 MMD迁移方法
        4.2.3 Center Loss与MMD联合损失函数
    4.3 活动识别领域无监督迁移方法评估
        4.3.1 MMD实验结果分析
        4.3.2 Center Loss与MMD联合损失实验结果分析
        4.3.3 DANN实验结果分析
        4.3.4 WD实验结果分析
    4.4 本章小结
第5章 基于安卓手机的活动识别迁移方法测试与评估
    5.1 基于安卓手机的活动识别传感器数据采集说明
    5.2 基于无监督迁移方法测试与评估
    5.3 基于无监督迁移方法特征可视化分析
    5.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢



本文编号：3811646