| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 本文主要研究内容及组织架构 | 第13-15页 |
| 第2章 循环神经网络与其它模型的比较 | 第15-30页 |
| 2.1 引言 | 第15页 |
| 2.2 数据集介绍 | 第15-19页 |
| 2.2.1 UCI-HAR数据集 | 第15页 |
| 2.2.2 WISDM数据集 | 第15-17页 |
| 2.2.3 Skoda数据集 | 第17-18页 |
| 2.2.4 机会数据集 | 第18-19页 |
| 2.3 衡量指标 | 第19-21页 |
| 2.4 基于深层卷积神经网络的人类活动识别 | 第21-22页 |
| 2.5 基于长短时记忆网络(LSTM)的人类活动识别 | 第22-25页 |
| 2.6 基于DeepConvLSTM的人类活动识别 | 第25-26页 |
| 2.7 实验结果与分析 | 第26-28页 |
| 2.7.1 实验结果 | 第27页 |
| 2.7.2 实验分析 | 第27-28页 |
| 2.8 本章小结 | 第28-30页 |
| 第3章 基于双向门控循环神经网络的注意力模型 | 第30-39页 |
| 3.1 引言 | 第30页 |
| 3.2 门控循环网络 | 第30-31页 |
| 3.3 双向循环网络 | 第31-32页 |
| 3.4 注意力机制思想 | 第32-36页 |
| 3.4.1 传统深层循环网络与加入注意力机制后的信息流动比较 | 第32-34页 |
| 3.4.2 自适应的注意力机制 | 第34-36页 |
| 3.5 实验设置和实验结果分析 | 第36-37页 |
| 3.5.1 实验设置 | 第36页 |
| 3.5.2 实验结果分析 | 第36-37页 |
| 3.6 本章小结 | 第37-39页 |
| 第4章 基于双流门控循环全卷积神经网络的活动识别 | 第39-45页 |
| 4.1 引言 | 第39页 |
| 4.2 网络结构设计思想 | 第39-41页 |
| 4.2.1 压缩奖惩网络模块 | 第39-41页 |
| 4.3 网络结构模型框图 | 第41-42页 |
| 4.4 实验设置与分析 | 第42-44页 |
| 4.4.1 实验设置 | 第42页 |
| 4.4.2 实验结果与分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 简单循环网络与多分类聚焦损失函数 | 第45-56页 |
| 5.1 引言 | 第45页 |
| 5.2 简单循环网络结构 | 第45-49页 |
| 5.2.2 SRU前向传播算法实现 | 第47-48页 |
| 5.2.3 模型设置与实验分析 | 第48-49页 |
| 5.3 多分类聚焦损失函数 | 第49-55页 |
| 5.3.1 解决类不平衡的常用方法 | 第49-51页 |
| 5.3.2 Focal loss损失函数 | 第51-52页 |
| 5.3.3 实验设置与结果 | 第52-53页 |
| 5.3.4 实验结果分析 | 第53-55页 |
| 5.4 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第61-62页 |
| 致谢 | 第62页 |
