CN111144269A - 一种基于深度学习的信号相关行为识别方法及*** - Google Patents
一种基于深度学习的信号相关行为识别方法及*** Download PDFInfo
- Publication number
- CN111144269A CN111144269A CN201911339906.5A CN201911339906A CN111144269A CN 111144269 A CN111144269 A CN 111144269A CN 201911339906 A CN201911339906 A CN 201911339906A CN 111144269 A CN111144269 A CN 111144269A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- layer
- feature extraction
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000006399 behavior Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 21
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000004913 activation Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及行为识别技术领域，具体的说是一种基于深度学习的信号相关行为识别方法及***，对于传感器采集的信号，利用数据预处理中的差分来提升数据量，利用多输入卷积神经网络与人工指定统计量共同进行特征提取，利用适合的参数最优化后的机器学习分类器进行分类识别，与已有算法相比，本发明可提升人体行为识别的准确率，进行更为准确的识别；具有实现简单，在行为识别领域智能产品应用方面具备实用价值，易于进行普及推广等优势。
Description
技术领域：
本发明涉及行为识别技术领域，具体的说是一种基于深度学习的信号相关行为识别方法及***。
背景技术：
行为识别是一个新兴的研究领域，其应用范围广泛，可用于人体或物体的行为状态识别，发展潜力巨大。行为识别具有包括图像识别、信号识别在内的多种实现方法；在行为识别的各类方法中，较为普遍与成熟的方法为利用惯性传感器来采集信号进而识别的信号相关行为识别。
近年来随着技术的迅速发展，传感器越来越小型化，低成本化，同时手机等电子产品其功能不断扩充，目前通过在手机等电子产品中内置的传感器来采集加速度角速度等信号序列，再通过行为识别算法判断人体或车辆等物体的行为，最后根据所记录的行为统计数据给出建议或决策，在健康生活、安全出行等多个方面具有重要意义。当今各类智能设备不断普及，行为识别算法具有广阔的前景与巨大的实际应用价值。
在行为识别领域，识别的准确性是最基本的要求，也是最关键的问题。目前利用传感器采集信号的行为识别方法，其识别算法(如卷积神经网络或机器学习算法)存在一定不足，具体表现为识别准确率较低。已有的行为识别方法存在缺陷的原因主要是由信号数据量较小，对信号特征提取程度不足，分类器不适合等多方面因素造成的。因此急需一种在不新增设备，不改变传感器数据采集方式的情况下，可有效提高行为识别的准确率的技术方案。
发明内容:
本发明针对现有技术中存在的缺点和不足，提出了一种在不新增设备，不改变传感器数据采集方式的情况下，可有效提高行为识别的准确率的基于深度学习的信号相关行为识别方法及***。
本发明通过以下措施达到：
一种基于深度学习的信号相关行为识别方法，包括模型训练阶段和实际应用阶段，其特征在于所述模型训练阶段包括以下步骤：
步骤1：采集信号序列并记录行为类型；
步骤2：将步骤1中采集的信号序列通过预处理模块依次进行滤波、分段与差分处理，差分前后数据组合得到多组数据；
步骤3：将步骤2中得到的多组数据及其对应的行为类型送入多输入卷积神经网络进行训练；
步骤4：将步骤3中训练完成的多输入卷积神经网络拆分，仅保留全连接层之前的结构，然后与人工指定的信号序列统计量共同作为特征提取模块；
步骤5：将步骤2中得到的多组数据利用步骤4中得到的特征提取模块进行数据特征提取，得到数据特征；
步骤6：将步骤5中提取的特征以及其对应的行为类型，送入机器学习分类器进行训练以及参数最优化，选取其中最优的分类器，得到特征分类模块。
本发明所述实际应用阶段包括以下内容：
将实时采集的加速度、角速度信号依次通过预处理模块以及模型训练阶段所产生的特征提取模块、特征分类模块进行处理，输出实时采集的行为信号的行为识别结果。
本发明步骤2中经过信号预处理后，数据格式为多通道一维数据序列，同时，由于惯性传感器采集信号为三轴加速度或角速度信号序列，因此信号序列的差分具有物理意义，现对数据信号进行差分处理，差分处理前后的信号序列将共同构成多组信号序列数据，使每个行为对应的数据信息得到扩充。
本发明步骤3中，多输入卷积神经网络的结构包括卷积层、池化层、Flatten层、合并层、全连接层；另外可加入避免过拟合的Dropout层提升效果，Dropout层可位于卷积层之后或全连接层之间。
本发明步骤4中，需将已经完成训练的卷积神经网络拆分，去除全连接层，保留其卷积层、池化层、Flatten层以及合并层。将拆分后(不含全连接层)的卷积神经网络与人工指定的序列统计量共同作为特征提取模块，其中人工指定的序列统计量可以是单个序列的均值、标准差、最大值、最小值、中位数以及不同序列间的均值之比、标准差之比、协方差，序列经傅里叶变化后各频率段的能量值或能量占比。
本发明步骤5中，步骤2中的多组数据通过步骤4中生成的特征提取模块，得到该数据的特征。
本发明步骤6中，将特征数据用于训练多种机器学习分类器，训练机器学习分类器的同时进行交叉验证以实现参数最优化，训练完成后选取准确率最高的机器学习分类器作为特征分类模块；这相当于将步骤3中训练完成的卷积神经网络于合并层中补充人工指定统计量后将其全连接层使用机器学习分类器进行替换，将深度学习与机器学习共同组成新算法。
本发明还提出了一种基于深度学习的信号相关行为识别的***，设有数据采集模块、数据预处理模块、数据特征提取模块以及数据特征分类模块，其特征在于所述数据预处理模块中设有用于将采集的信号序列进行差分处理进而获得多组数据的差分处理模块；所述数据特征提取模块设有深度学习特征提取模块和人工特征提取模块，所述深度学习特征提取模块由训练完成的多输入卷积神经网络去除全连接层后形成，所述人工特征提取模块由对各通道数据计算统计量后形成。
本发明所述数据特征分类模块由多个机器学习分类器(如支持向量机、随机森林与K近邻)分别进行训练，并进行参数最优化后，按准确率选择确定。
本发明对于传感器采集的信号，利用数据预处理中的差分来提升数据量，利用多输入卷积神经网络与人工指定统计量共同进行特征提取，利用适合的参数最优化后的机器学习分类器进行分类识别，与已有算法相比具有如下优点：本发明的算法可提升人体行为识别的准确率，进行更为准确的识别；对于卷积神经网络算法，本方法提升了数据量，加入了人工指定统计量作为特征，进行了参数最优化并使用最适合的机器学习分类器进行分类。对于机器学习算法，本方法在提升数据量的基础上采用多输入卷积神经网络自动提取特征，可避免特征全部由人工指定所导致的特征过于主观，特征重要性不足的问题。同时本发明的算法不需要额外增加设备，仅需要对算法进行部分改动，保密性好，可与其他改良方法混合使用，具有广阔的前景与发展空间。综上所述，本发明中的算法提升效果好，实现简单，在行为识别领域智能产品应用方面具备实用价值，易于进行普及推广。
附图说明：
附图1是本发明中模型训练阶段信号流向示意图。
附图2是本发明中实际应用阶段信号流向示意图。
附图3是本发明中预处理阶段信号流向示意图。
附图4是本发明步骤3中多输入卷积神经网络的示意图。
附图5是本发明步骤4中所述特征提取模块的示意图。
附图6是本发明步骤6中特征分类模块的优化选择示意图。
附图7是本发明一种实施方式流程图。
具体实施方式：
下面结合附图和实施例对本发明作进一步的说明。
本发明提供了一种基于深度学习的信号相关行为识别方法，如附图1及附图2所示，包括模型训练阶段和实际应用阶段，其中模型训练阶段包括以下内容：
步骤1：信号采集，通过加速度传感器、陀螺仪采集加速度、角速度信号序列，并记录行为类型；
步骤2：将步骤1中采集的信号序列通过预处理模块进行滤波、分段与差分处理，差分前后数据组合得到预处理后的多组数据(如附图3所示)；
步骤3：将步骤2中得到的多组数据及其对应的行为类型送入多输入卷积神经网络进行训练(如附图4所示)；
步骤4：将步骤3中训练完成的多输入卷积神经网络拆分，仅保留全连接层之前的结构，与人工指定的信号序列统计量共同作为特征提取模块(如附图5所示)；
步骤5：将步骤2中得到的多组数据利用步骤4中得到的特征提取模块进行数据特征提取，得到数据特征；
步骤6：将步骤5中提取的特征以及其对应的行为类型，送入机器学习分类器进行训练以及参数最优化，选取其中最优的分类器，得到特征分类模块(如附图6所示)。
本发明还包括实际应用阶段步骤7，具体为以下内容：实际应用时将实时采集的加速度、角速度信号依次通过预处理模块以及模型训练阶段所产生的特征提取模块，特征分类模块进行处理，输出实时采集的行为信号的行为识别结果。
实施例1：
本例中按上述基于深度学习的信号相关行为识别方法，提供一种采用加速度计和陀螺仪持续记录一段时间的人体行为信号数据的使用实例，具体流程如附图7所示，具体实施步骤如下：
步骤1：数据采集方式为受测者持续某类行为，本例采用加速度计和陀螺仪，持续记录一段时间的人体行为信号数据并标记其种类；
步骤2：预处理模块将采集的传感器信号经过噪声滤波预处理；将滤波处理后的采样数据分割为预设数据总长度的滑动窗数据作为样本(相邻滑动窗重叠部分为预设的数据长度)；在本例中，每个滑动窗样本数据长度为128，相邻滑动窗重叠部分长度为64；通道数为加速度以及角速度各三轴数据共6个通道；将这6个通道，每通道128个数据的信号序列进行差分，得到6个通道，每通道127个数据的序列；此时总数据变为差分前后两组6个通道的数据序列，两组数据长度分别为128，127；
步骤3：原则上所要构建的卷积神经网络结构无具体要求，本例中采取的卷积神经网络结构如下：未经差分的数据序列(长度为128)依次通过一维卷积层(过滤器个数为32，大小为5，激活函数为ReLU),一维卷积层(过滤器个数为32，大小为5，激活函数为ReLU)，Dropout层(比率为0.5),一维最大池化层(池化尺寸为12)，Flatten层。经步骤2差分后的数据序列(长度为127)依次通过一维卷积层(过滤器个数为32，大小为5，激活函数为ReLU),一维卷积层(过滤器个数为32，大小为4，激活函数为ReLU)，Dropout层(比率为0.5)，一维最大池化层(池化尺寸为12)，Flatten层；将两组数据通过各自各层处理后进行合并的合并层，全连接层(神经元个数为100，激活函数为ReLU)，Dropout层(比率为0.5)，全连接层(神经元个数为6，这是本例中所要判断的人体行为类别数，激活函数为softmax)；步骤4：所拆分的卷积神经网络必须是步骤3中完成训练的，只有完成训练的卷积神经网络其卷积层与池化层才具备较好提取信号特征的能力；拆分后的卷积神经网络仅保留全连接层前的结构，由于已拆分的神经网络中不保留全连接层，因此步骤3中所训练的卷积神经网络其全连接层的结构，包括层数，神经元个数，激活函数等参数信息可以得到保密；
在本例中拆分后的卷积神经网络其结构包括：未经差分的数据序列(长度为128)所要通过的一维卷积层(过滤器个数为32，大小为5，激活函数为ReLU),一维卷积层(过滤器个数为32，大小为5，激活函数为ReLU)，一维最大池化层(池化尺寸为12)，Flatten层；差分后的数据序列(长度为127)所要通过的一维卷积层(过滤器个数为32，大小为5，激活函数为ReLU),一维卷积层(过滤器个数为32，大小为4，激活函数为ReLU)，一维最大池化层(池化尺寸为12)，Flatten层；将两组数据通过各自各层处理后进行合并的合并层。该部分将作为特征提取模块中深度学习提取特征的部分；
对未经差分的6通道数据序列，本例中对每通道128个数据的信号序列求取均值，标准差，最大值，最小值，中位数这5个统计量作为特征提取模块中人工提取特征的部分。
步骤5：将数据通过步骤4中产生的特征提取模块，数据转变为该数据的特征；特征中既有人工指定的信号时域(或频域)统计量特征，也有通过卷积神经网络的前半部分(卷积层、池化层等)处理后，根据信号特性自动得到的特征，通过人工提取与深度学习提取特征相结合的方法，避免了传统机器学习方法或传统深度学习方法提取的特征不够全面的缺点；
步骤6：利用步骤5提取的数据特征训练机器学习分类器，并使用交叉验证与网格搜索法进行参数最优化；本例中，参数最优化后的支持向量机，K近邻，随机森林三种分类器中准确率最高的将作为特征分类模块。
下面就上例输出结果准确率分别与现有文献1(CN110113116A基于WIFI信道信息的人体行为识别方法)、现有文献2(CN110222730A基于惯性传感器的用户身份识别方法及识别模型构建方法)、现有文献3(CN108345846A一种基于卷积神经网络的人体行为识别方法及识别***)就识别准确度进行对比，结果如下表：
| 所采用技术方案 | 平均准确率 |
| 现有文献1 | 89.1985％ |
| 现有文献2 | 90.1432％ |
| 现有文献3 | 87.9376％ |
| 本发明实施例1 | 92.0163％ |
可以看出，本发明所提供的技术方案与现有技术相比，显著提高了识别准确率。
本发明与现有技术相比，具有以下优点：通过改良预处理模块，将噪声滤波后的数据经差分处理前后形成多组数据，提升总数据量，提升每个行为对应数据量，利用差分后增多的数据可以更好提取各类行为的特征；通过改良特征提取模块，利用已完成训练的多输入卷积神经网络全连接层前的结构以及人工指定的统计量作为特征提取模块：多输入卷积神经网络与人工指定统计量共同提取信号数据特征，可提升特征提取能力；通过改良特征分类模块，对特征分类时，不利用全连接层进行分类，而是转用适合的参数最优化后的机器学习分类器进行分类，可提升分类效果。
Claims (9)
1.一种基于深度学习的信号相关行为识别方法，包括模型训练阶段和实际应用阶段，其特征在于所述模型训练阶段包括以下步骤：
步骤1：采集信号序列并记录行为类型；
步骤2：将步骤1中采集的信号序列通过预处理模块依次进行滤波、分段与差分处理，差分前后数据组合得到多组数据；
步骤3：将步骤2中得到的多组数据及其对应的行为类型送入多输入卷积神经网络进行训练；
步骤4：将步骤3中训练完成的多输入卷积神经网络拆分，仅保留全连接层之前的结构，与人工指定的信号序列统计量共同作为特征提取模块；
步骤5：将步骤2中得到的多组数据利用步骤4中得到的特征提取模块进行数据特征提取，得到数据特征；
步骤6：将步骤5中提取的特征以及其对应的行为类型，送入机器学习分类器进行训练以及参数最优化，选取其中最优的分类器，得到特征分类模块。
2.根据权利要求1所述的一种基于深度学习的信号相关行为识别方法，其特征在于所述实际应用阶段包括以下内容：将实时采集的加速度、角速度信号依次通过预处理模块以及模型训练阶段所产生的特征提取模块、特征分类模块进行处理，输出实时采集的行为信号的行为识别结果。
3.根据权利要求1所述的一种基于深度学习的信号相关行为识别方法，其特征在于步骤3中多输入卷积神经网络的结构包括卷积层、池化层、Flatten层、合并层、全连接层。
4.根据权利要求3所述的一种基于深度学习的信号相关行为识别方法，其特征在于加入避免过拟合的Dropout层提升效果，Dropout层位于卷积层之后或全连接层之间。
5.根据权利要求1所述的一种基于深度学习的信号相关行为识别方法，其特征在于步骤4中，将步骤3中已经完成训练的卷积神经网络拆分，去除全连接层，保留其卷积层、池化层、Flatten层以及合并层，将拆分获得的不含全连接层的卷积神经网络与人工指定的序列统计量共同作为特征提取模块。
6.根据权利要求1所述的一种基于深度学习的信号相关行为识别方法，其特征在于步骤6中，将特征数据用于训练多种机器学习分类器，训练机器学习分类器的同时进行交叉验证以实现参数最优化，训练完成后选取准确率最高的机器学习分类器作为特征分类模块。
7.一种基于深度学习的信号相关行为识别的***，设有数据采集模块、数据预处理模块、数据特征提取模块以及数据特征分类模块，其特征在于所述数据预处理模块中设有用于将采集的信号序列进行差分处理进而获得多组数据的差分处理模块；所述数据特征提取模块设有深度学习特征提取模块和人工特征提取模块，所述深度学习特征提取模块由训练完成的多输入卷积神经网络去除全连接层后形成，所述人工特征提取模块由对各通道数据计算统计量后形成。
8.根据权利要求7中所述的一种基于深度学习的信号相关行为识别的***，其特征在于所述人工特征提取模块中设有均值模块或标准差模块或最大值模块或最小值模块或中位数模块中的一个或几个。
9.根据权利要求7中所述的一种基于深度学习的信号相关行为识别的***，其特征在于所述数据特征分类模块由多个机器学习分类器分别进行训练，并进行参数最优化后，按准确率选择确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911339906.5A CN111144269B (zh) | 2019-12-23 | 2019-12-23 | 一种基于深度学习的信号相关行为识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911339906.5A CN111144269B (zh) | 2019-12-23 | 2019-12-23 | 一种基于深度学习的信号相关行为识别方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111144269A true CN111144269A (zh) | 2020-05-12 |
| CN111144269B CN111144269B (zh) | 2023-11-24 |
Family
ID=70519317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911339906.5A Active CN111144269B (zh) | 2019-12-23 | 2019-12-23 | 一种基于深度学习的信号相关行为识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111144269B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112487939A (zh) * | 2020-11-26 | 2021-03-12 | 深圳市热丽泰和生命科技有限公司 | 一种基于深度学习的纯视觉轻量手语识别*** |
| CN113011262A (zh) * | 2021-02-18 | 2021-06-22 | 广州大学华软软件学院 | 一种基于卷积神经网络的多尺寸细胞核识别装置及方法 |
| CN114615118A (zh) * | 2022-03-14 | 2022-06-10 | 中国人民解放军国防科技大学 | 一种基于多端卷积神经网络的调制识别方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239803A (zh) * | 2017-07-21 | 2017-10-10 | 国家***第海洋研究所 | 利用深度学习神经网络的海底底质自动分类方法 |
| CN108305243A (zh) * | 2017-12-08 | 2018-07-20 | 五邑大学 | 一种基于深度学习的磁瓦表面缺陷检测方法 |
| CN108388348A (zh) * | 2018-03-19 | 2018-08-10 | 浙江大学 | 一种基于深度学习和注意力机制的肌电信号手势识别方法 |
| CN108717569A (zh) * | 2018-05-16 | 2018-10-30 | 中国人民解放军陆军工程大学 | 一种膨胀全卷积神经网络及其构建方法 |
| CN108875674A (zh) * | 2018-06-29 | 2018-11-23 | 东南大学 | 一种基于多列融合卷积神经网络的驾驶员行为识别方法 |
| CN109214250A (zh) * | 2017-07-05 | 2019-01-15 | 中南大学 | 一种基于多尺度卷积神经网络的静态手势识别方法 |
| US20190114511A1 (en) * | 2017-10-16 | 2019-04-18 | Illumina, Inc. | Deep Learning-Based Techniques for Training Deep Convolutional Neural Networks |
| CN110427965A (zh) * | 2019-06-25 | 2019-11-08 | 重庆邮电大学 | 基于进化策略的卷积神经网络结构简约及图像分类方法 |
| CN110502991A (zh) * | 2019-07-18 | 2019-11-26 | 武汉理工大学 | 基于随机卷积神经网络结构的内燃机健康监测方法及*** |
-
2019
- 2019-12-23 CN CN201911339906.5A patent/CN111144269B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214250A (zh) * | 2017-07-05 | 2019-01-15 | 中南大学 | 一种基于多尺度卷积神经网络的静态手势识别方法 |
| CN107239803A (zh) * | 2017-07-21 | 2017-10-10 | 国家***第海洋研究所 | 利用深度学习神经网络的海底底质自动分类方法 |
| US20190114511A1 (en) * | 2017-10-16 | 2019-04-18 | Illumina, Inc. | Deep Learning-Based Techniques for Training Deep Convolutional Neural Networks |
| CN108305243A (zh) * | 2017-12-08 | 2018-07-20 | 五邑大学 | 一种基于深度学习的磁瓦表面缺陷检测方法 |
| CN108388348A (zh) * | 2018-03-19 | 2018-08-10 | 浙江大学 | 一种基于深度学习和注意力机制的肌电信号手势识别方法 |
| CN108717569A (zh) * | 2018-05-16 | 2018-10-30 | 中国人民解放军陆军工程大学 | 一种膨胀全卷积神经网络及其构建方法 |
| CN108875674A (zh) * | 2018-06-29 | 2018-11-23 | 东南大学 | 一种基于多列融合卷积神经网络的驾驶员行为识别方法 |
| CN110427965A (zh) * | 2019-06-25 | 2019-11-08 | 重庆邮电大学 | 基于进化策略的卷积神经网络结构简约及图像分类方法 |
| CN110502991A (zh) * | 2019-07-18 | 2019-11-26 | 武汉理工大学 | 基于随机卷积神经网络结构的内燃机健康监测方法及*** |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112487939A (zh) * | 2020-11-26 | 2021-03-12 | 深圳市热丽泰和生命科技有限公司 | 一种基于深度学习的纯视觉轻量手语识别*** |
| CN113011262A (zh) * | 2021-02-18 | 2021-06-22 | 广州大学华软软件学院 | 一种基于卷积神经网络的多尺寸细胞核识别装置及方法 |
| CN113011262B (zh) * | 2021-02-18 | 2023-10-13 | 广州大学华软软件学院 | 一种基于卷积神经网络的多尺寸细胞核识别装置及方法 |
| CN114615118A (zh) * | 2022-03-14 | 2022-06-10 | 中国人民解放军国防科技大学 | 一种基于多端卷积神经网络的调制识别方法 |
| CN114615118B (zh) * | 2022-03-14 | 2023-09-22 | 中国人民解放军国防科技大学 | 一种基于多端卷积神经网络的调制识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111144269B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111144269B (zh) | 一种基于深度学习的信号相关行为识别方法及*** | |
| CN108491077B (zh) | 一种基于多流分治卷积神经网络的表面肌电信号手势识别方法 | |
| CN111062250B (zh) | 基于深度特征学习的多受试者运动想象脑电信号识别方法 | |
| CN105976809B (zh) | 基于语音和面部表情的双模态情感融合的识别方法及*** | |
| CN110600054B (zh) | 基于网络模型融合的声场景分类方法 | |
| CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及*** | |
| CN106909784A (zh) | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 | |
| CN103366180A (zh) | 一种基于自动特征学习的细胞图像分割方法 | |
| CN101930285B (zh) | 基于表面肌电信号的手写识别方法 | |
| CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
| CN105184325A (zh) | 一种人体动作识别方法和移动智能终端 | |
| CN110399846A (zh) | 一种基于多通道肌电信号相关性的手势识别方法 | |
| CN111150372B (zh) | 一种结合快速表示学习和语义学习的睡眠阶段分期*** | |
| CN104166548A (zh) | 基于运动想象脑电数据的深度学习方法 | |
| CN108510011B (zh) | 一种基于手机多传感器的用户出行方式分析方法 | |
| CN107582077A (zh) | 一种基于手机触摸行为的人体精神状态分析方法 | |
| CN108209870A (zh) | 基于卷积神经网络的长程脑电图自动癫痫检测方法 | |
| CN114897025A (zh) | 一种人体姿态识别模型建立方法和人体姿态识别方法 | |
| CN110074779A (zh) | 一种脑电信号识别方法及装置 | |
| CN113116361A (zh) | 一种基于单导脑电的睡眠分期方法 | |
| CN109144277B (zh) | 一种基于机器学习实现脑控智能小车的构建方法 | |
| CN109254654B (zh) | 一种结合PCA和PCANet的驾驶疲劳特征提取方法 | |
| CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
| CN112698720B (zh) | 一种基于互信息特征提取及多人融合的运动想象识别方法 | |
| CN112370058A (zh) | 一种基于移动端对用户的情感进行识别与监测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |