文献类型：期刊文章

作　　者：崔丽珍[1] 张清宇[1] 郭倩倩[2] 马宝良[1]

CUI Lizhen;ZHANG Qingyu;GUO Qianqian;MA Baoliang(School of Information Engineering,Inner Mongolia University of Science&Technology,Baotou 014010,China;Department of Information Engineering,Ordos Institute of Technology,Ordos 017010,China)

机构地区：[1]内蒙古科技大学信息工程学院,内蒙古包头014010 [2]鄂尔多斯应用技术学院信息工程系,内蒙古鄂尔多斯017010

出　　处：《无线电工程》

基　　金：国家自然科学基金(62261042);内蒙古自治区科技计划项目(2022YFSH0051,2019GG328);内蒙古自然科学基金(2020MS06027)。

年　　份：2023

卷　　号：53

期　　号：6

起止页码：1375-1381

语　　种：中文

收录情况：BDHX、BDHX2020、JST、核心刊

摘　　要：针对井下人员日常工作时的运动状态多变且智能手机位置不固定,导致仅考虑单一运动模式下的人员定位精度低的问题,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆(Long Short-Term Memory,LSTM)网络的CNN-LSTM井下人员行为模式识别模型。通过智能手机采集井下人员工作状态中的加速度、陀螺仪惯性数据进行运动模式识别,该模型融合了CNN和LSTM两层操作,CNN提取序列的空间特征,LSTM提取时间维度上的特征,对井下人员运动类别及智能手机位置定义,数据预处理后使用CNN-LSTM模型作为分类器进行矿工井下日常行为分类,根据分类结果排除对定位的干扰行为,辅助井下智能手机人员定位算法更新矿工位置,以此来提高井下人员定位算法的抗干扰性和实用性。在井下人员日常行为模式数据集上进行了测试实验,结果表明,提出的CNN-LSTM分类模型对矿工行为模式识别准确率为98.71%。

关 键 词：井下人员 智能手机 卷积神经网络 长短期记忆  行为模式识别  

分 类 号：TP212]