文献类型：期刊文章

作　　者：武东辉[1] 许静[1] 陈继斌[1] 孙彦玺[1] 仇森[2]

WU Dong-hui;XU Jing;CHEN Ji-bin;SUN Yan-xi;QIU Sen(College of Building Environment Engineering,Zhengzhou University of Light Industry,Zhengzhou 450002,China;School of Control Science and Engineering,Dalian University of Technology,Dalian 116024,China)

机构地区：[1]郑州轻工业大学建筑环境工程学院,郑州450002 [2]大连理工大学控制科学与工程学院,大连116024

出　　处：《科学技术与工程》

基　　金：国家自然科学基金(61803072);河南省高等学校重点科研项目(19A413013);河南省科技攻关项目(222102210086,222102320298)。

年　　份：2023

卷　　号：23

期　　号：2

起止页码：681-689

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为解决单一的卷积神经网络(convolutional netral network,CNN)缺乏利用时序信息与单一循环神经网络(recurrent neural network,RNN)对局部信息把握不全问题,提出了融合注意力机制与时空网络的深度学习模型(convolutional neural network-long short term memory network-attention mechanism,CLA-net)的人体行为识别(Human activity recognition,HAR)方法。首先,通过CNN的强学习能力提取局部特征;其次,利用长短时记忆网络(long short term memory,LSTM)提取时序信息;再次,运用注意力机制获取并优化最重要的特征;最后使用softmax分类器对识别结果进行分类。仿真实验结果表明,CLA-net模型在UCI HAR和DaLiAc数据集上的准确率分别达到95.35%、99.43%,F1分别达到95.35%、99.43%,均优于对比实验模型,有效提高了识别精度。

关 键 词：深度学习  行为识别  卷积神经网络 长短期记忆网络  注意力机制  

分 类 号：TP391.41]