基于智能手机平台的行为模式识别算法应用与研究

发布时间：2025-07-01 23:05

　　随着微电子信息系统技术的日益成熟,不同传感器可被微型化于各种可穿戴式设备,以及各种便携式智能设备中。通过对这些设备内置传感器的数据进行挖掘,能够对用户的行为进行分析,为研究基于智能手机平台的人体行为识别算法提供了基础,从而开发诸如病人康复训练、运动员姿势矫正以及日常人体行为监控等个性化与智能服务,具有广阔的市场前景和经济效益。常见的人体行为识别算法均基于机器学习算法技术进一步开发得出,此技术衍生算法可解决行为识别领域中因个体运动速率、运动体态等运动模式、及个体身高体重等差异导致的识别率低下问题。本文提出一种具备机器学习能力的人体行为识别卷积神经网络CNN算法,可以实现六种人体日常行为,包括走路、慢跑、坐着、站着、上楼和下楼等动作的分类识别。算法涉及关键环节包括人体行为识别数据集的获取、数据集的预处理、神经网络模型的训练生成与性能测试,以及模型结构和相关参数的优化等内容。算法性能评估方面,本文使用LIBSVM平台搭建了基于支持向量机SVM算法的行为识别系统,通过运行WISDM标准分类器数据集分别得出CNN、SVM两种算法系统的识别率性能。结果显示,基于CNN算法设计的识别系统准确率可达90...

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

图3-1图像分类中常用卷积神经网络结构

华东师范大学硕士学位论文第三章一种基于卷积神经网络的人体行为识别算法设计第三章一种基于卷积神经网络的人体行为识别算法设计卷积神经网络（ConvolutionalNeuralNetworks，CNN）[21]是人工智能领域深度学习（DeepLearning）中应用最广的算法之....

图3-2基于CNN的人体行为识别算法结构

图3-2基于CNN的人体行为识别算法结构A.输入层将1.3节中提到的WISDM加速度数据集作为网络的输入数据，即使用该数据集对网络进行训练和测试。但是原生数据不能直接拿来使用，要经过必要的预处理过程，本文在这里使用了两种方法对数据进行预处理：归一化处理和数据分组....

图3-3卷积过程示意图

_w：kernelwidth，单个卷积核的宽度，若宽度为1则为列向量；_d：kerneldepth，单个卷积核的深度，该值必须与s_d相等才能进行卷积运：卷积核/特征矩阵的个数，每一个卷积核都将学习样本矩阵的一....

图3-4CNN模型搭建流程示意图

硕士学位论文第三章一种基于卷积神经网络的人体行为出的预测结果。CNN模型进行训练和优化的过程中还涉及到了一个非常重要权重和偏差的方法——随机梯度下降法（StochasticGradie，由于该方法不是本课题核心关注点，且在本文网络模型的搭使用是基于TensorFlow....

本文编号：4054836