典型文献
基于Wavelet-CNN网络的人类活动识别技术
文献摘要：
针对传统的识别方法不能满足人类活动识别(Human Activity Recognition,HAR)技术研究需求的现状,提出了一种基于小波变换和卷积神经网络(Convolutional Neural Networks,CNN)相结合的深度学习模型.将多通道传感器的波形数据通过小波变换分解并重组作为输入.利用不同卷积核的CNN高效提取多维特征,使用最大池化层对人体无意识抖动引起的干扰噪声进行滤波操作.经过全连接层输出分类,实现对人体活动状态的准确识别.实验分别从模型收敛速度、 损耗和精度三方面评估了模型性能,并在OPPORTUNITY公共数据集上与较先进的识别模型进行了对比.实验结果表明,提出的小波变化卷积网络Wavelet-CNN实现了91.65％的F1分数,具有更高的活动识别能力.
文献关键词：
人类活动识别;小波变换;卷积神经网络;传感器
中图分类号：
作者姓名：
张琳;易卿武;黄璐;于乃文
作者机构：
河北科技大学 信息科学与工程学院, 河北 石家庄 050018;卫星导航系统与装备技术国家重点实验室, 河北 石家庄 050081
文献出处：
引用格式：
[1]张琳;易卿武;黄璐;于乃文-.基于Wavelet-CNN网络的人类活动识别技术)[J].无线电工程,2022(04):590-597
A类：
OPPORTUNITY
B类：
Wavelet,人类活动识别,Human,Activity,Recognition,HAR,研究需求,于小波,小波变换,Convolutional,Neural,Networks,深度学习模型,多通道,形数,数据通,卷积核,高效提取,多维特征,最大池化,无意识,抖动,干扰噪声,全连接层,活动状态,准确识别,收敛速度,模型性能,公共数据,识别模型,小波变化,卷积网络,识别能力
AB值：
0.413568
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
