计量学报

作者：王金甲,周雅倩,郝智

单位：1. 燕山大学 信息科学与工程学院,河北秦皇岛066004; 2. 燕山大学 河北省信息传输与信号处理重点实验室,河北秦皇岛066004;

关键词：计量学;人类活动识别;长短时记忆神经网络;注意力机制;时间段分类;分割任务

基金：国家自然科学基金(61473339);河北省青年拔尖人才支持计划(［2013］17)

深度循环神经网络适用于处理时间序列数据, 然而循环神经网络特征提取能力差, 时间依赖关系挖掘不足。针对此问题, 提出了3种注意力机制和长短时记忆(LSTM)神经网络结合的模型用于人类活动识别问题, 并研究了3种注意力机制在不同数据集上单独及配合使用时对模型精度的影响。对于UCI_HAR数据集, 3种注意力LSTM模型准确率分别为94.13%、95.15%和94.81%,高于LSTM模型识别准确率93.2%。此外, 针对人类活动识别的传感器时间序列数据的标签特点, 提出将时间段分类任务转化为分割任务, 设计了2个基于分割任务的注意力门控循环单元(GRU)神经网络模型, Bahdanau注意力GRU模型在Skoda数据集和机会(Oppor)数据集准确率为84.61%和89.54%, 高于基准UNet模型的70.40%和88.51%。

来源：2019年第6期

《计量学报》期刊编辑部

查看计量学报杂志2019年第6期