典型文献
基于改进的卷积神经网络的步态识别
文献摘要：
为了提高惯性传感器采集到的序列数据中步态识别的准确率,建立了一个激励层改进的卷积神经网络(CNN)模型.针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题,采用加速度传感器与弯曲度传感器组合获取人体运动信息.将CNN模型中激励层的线性整流函数(ReLU)改进为带泄露线性整流函数(Leaky ReLU),以解决遇到卷积输出数据小于0时神经元被抑制的问题,进而达到提高步态识别准确率的 目的.实验结果表明:激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79％,与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比,步态识别率有所提高.
文献关键词：
步态识别;卷积神经网络;惯性传感器;线性整流函数
中图分类号：
作者姓名：
钱兴;张晓明;郝子浩
作者机构：
中北大学仪器与电子学院,太原030051;中北大学仪器科学与动态测试教育部重点实验室,太原030051
文献出处：
引用格式：
[1]钱兴;张晓明;郝子浩-.基于改进的卷积神经网络的步态识别)[J].导航定位与授时,2022(02):91-97
A类：
弯曲度传感器
B类：
步态识别,惯性传感器,序列数据,三轴加速度传感器,太过,步态周期,周期划分,人体运动,运动信息,线性整流函数,ReLU,Leaky,识别准确率,下楼,下坡,步态模式,识别率
AB值：
0.228057
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。
