基于CNN-LSTM的活动识别方法

• 作者: 孟凡荣 崔淑敏 张磊 朱少杰 李允 邵长兴
• 来源期刊: 计算机工程与科学
• 学科: 工学
• 关键词: 活动识别 LSTM CNN 特征提取
• 年，卷（期）: 2019,（9）
• 所属期刊栏目: 人工智能与数据挖掘
• 页码范围: 1708-1714
• 页数: 7页
• 分类号: TP183
• 字数: 6973字
• 语种: 中文
• DOI: 10.3969/j.issn.1007-130X.2019.09.025

摘要

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％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	孟凡荣	中国矿业大学计算机学院	81	935	16.0	28.0
2	张磊	中国矿业大学计算机学院	174	1083	16.0	25.0
3	崔淑敏	中国矿业大学计算机学院	2	0	0.0	0.0
4	李允	中国矿业大学计算机学院	2	0	0.0	0.0
5	邵长兴	中国矿业大学计算机学院	2	0	0.0	0.0
6	朱少杰	中国矿业大学计算机学院	2	0	0.0	0.0