-
题名一种集成卷积神经网络和深信网的步态识别与模拟方法
被引量：6
- 1
-
-
作者
何正义
曾宪华
郭姜
-
机构
重庆邮电大学计算机科学与技术学院
计算智能重庆市重点实验室
-
出处
《山东大学学报（工学版）》
CAS
北大核心
2018年第3期88-95,共8页
-
基金
国家自然科学基金资助项目(61672120)
重庆市基础科学与前沿技术研究资助项目(cstcjcyj BX0037
cstc2015jcyja40036)
-
文摘
针对高斯过程的条件受限玻尔兹曼机(Gaussian-based conditional restricted Boltzmann machine,GCRBM)时序模型可以对单一种类的步态时序数据进行很好的预测,但对多类步态时序数据难以识别和预测的问题,提出一种集成卷积神经网络(convolutional neural network,CNN)和深信网(deep belief network,DBN)的步态识别与模拟方法。利用所有类步态数据训练多个不同结构的CNNs模型,利用多类数据训练多个DBNs模型学习低维特征,并通过低维特征训练多个GCRBMs模型。在步态识别与模拟时,CNNs分类器通过投票法确定步态数据的类别;通过识别到的类所对应的DBNs模型低维特征作为对应GCRBM s模型的输入预测目标数据的后期时序低维特征;利用DBNs重构阶段将后期时序低维特征模拟出步态图像。在CASIA系列步态数据集上的试验结果表明:与支持向量机(support vector machine,SVM)、集成DBN和CNN等方法相比,本研究方法的识别率有一定的提高,提出的模型能够根据步态时序预测结果模拟出真实的步态序列图像,证实了模型的有效性。
-
关键词
步态识别与模拟
卷积神经网络
深信网
基于高斯过程的条件受限玻尔兹曼机
时序模型
-
Keywords
gait recognition and simulation
convolutional neural network（CNN）
deep belief networks （DBN）
Gaussian-based conditional restricted Boltzmann machine（GCRBM）
time series model
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
