基于CNN-LSTM的活动识别方法

摘要

在识别活动时,传统的循环神经网络RNN识别方法不考虑传感器活动数据之间依赖性强的问题,导致识别准确率降低.为了提高识别准确率,解决活动数据依赖性强的问题,用长短期记忆网络LSTM进行活动识别,LSTM在考虑当前点输入的同时考虑先前点的输出,能够保持数据之间的强依赖性.但是,LSTM在处理传感器活动数据的特征提取方面时间效率不高,而卷积神经网络CNN能共享卷积核,且可以从杂乱无章的数据中提取出明显特征向量.提出一种基于CNN-LSTM的活动识别方法CLAR,利用CNN能够很好地提取出活动序列数据中的特征向量,并将提取出的特征向量作为LSTM的输入,利用LSTM门限之间的相互作用进行活动识别,使得依赖性很强的活动数据成为活动识别的优势,进而提高活动识别的准确率和时间效率.实验表明,CLAR方法的识别准确率比单一神经网络活动识别方法的准确率提高了9％,时间平均缩短了10％.