基于特征融合进行活动识别的DCNN 5法

摘要：

研究了输入是可穿戴传感器获得的多通道时间序列信号，输出是预定义的活动的活动识别模型，指出活动中的有效特征的提取目前多依赖于手工和浅层特征学习结构，不仅复杂而且会导致识别准确率下降；基于深度学习的卷积神经网络（ CNN）不是对时间序列信号进行手工特征提取，而是自动学习最优特征；目前使用卷积神经网络处理有限标签数据仍存在过拟合问题。因此提出了一种基于融合特征的系统性的特征学习方法用于活动识别，用ImageNet16对原始数据集进行预训练，将得到的数据与原始数据进行融合，并将融合数据和对应的标签送入有监督的深度卷积神经网络（ DCNN ）中，训练新的系统。在该系统中，特征学习和分类是相互加强的，它不仅能处理端到端的有限数据问题，也能使学习到的特征有更强的辨别力。与其他方法相比，该方法整体精度从87.0％提高到87.4％。

关键词：融合特征、多通道时间序列、深度卷积神经网络(DCNN)、活动识别

所属期刊栏目：26

分类号：TP3;N94

资助基金：国家自然科学基金61273019，61473339;河北省自然科学基金F2013203368;河北省青年拨尖人才支持项目[2013]17;河北省博士后专项资助B2014010005;中国博士后科学基金2014M561202资助项目。

在线出版日期：2016-10-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：374-380