作者:宋欣瑞,张宪琦,张展,陈新昊,刘宏伟 单位:清华大学 出版:《清华大学学报(自然科学版)》2020年第10期 页数:8页  (PDF与DOC格式可能不同) PDF编号:PDFQHXB2020100030 DOC编号:DOCQHXB2020100039 下载格式:PDF + Word/doc 文字可复制、可编辑
《基于深度卷积网络的多传感器信号故障诊断方法研究》PDF+DOC2018年第01期 吴魁,王仙勇,孙洁,黄玉龙 《多传感器数据融合系统的软件实现》PDF+DOC1998年第06期 黄瑛,陶云刚,周洁敏,苏登军 《多传感器自主跟踪中的数据融合方法》PDF+DOC2016年第08期 单海蛟,刘伟宁,王嘉成,刘培勋,李治根,邓耀华 《基于手机传感器的室内用户行为识别》PDF+DOC2016年第05期 李晶,黄鹤,邓南山,于广涛,常坤 《基于传感器数据融合的航空发动机电子控制器》PDF+DOC2005年第10期 屈志宏,钱坤,谢寿生,何秀然 《多传感器数据的统计融合方法》PDF+DOC2001年第03期 涂国平,邓群钊 《应用证据理论(D-S方法)解多传感器数据融合问题》PDF+DOC2001年第03期 宁云晖,田盛丰,宁培泰 《基于异构传感器的飞行目标测量数据融合》PDF+DOC2009年第05期 潘丽娜 《基于信噪比的多传感器数据融合方法》PDF+DOC2008年第01期 万树平 《未来海战中的态势感知》PDF+DOC2007年第01期 陈军,杨致怡
  • 基于传感器的人体活动识别被广泛应用到各个领域,但利用多种异构传感器识别日常的复杂人体活动,仍然存在很多问题。对多个异构传感器数据进行数据融合时,存在兼容性问题,导致对并发复杂活动识别准确率较低。该文提出基于多传感器决策级数据融合的多任务深度学习模型。该模型利用深度学习自动地从每个传感器原始数据中进行特征提取。利用多任务学习的联合训练方法将并发复杂活动分为多个子任务,多个子任务共享网络结构,相互促进学习,提高模型的泛化性能。实验表明:该模型对周期性活动的识别准确率可达到94.6%,非周期性活动可达到93.4%,并发复杂活动可达到92.8%。该模型比3个基线模型的识别准确率平均高出8%。

    提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。