人体动作识别中的深度学习模型选择_谭火媛
基于深度学习的人体动作识别算法研究
基于深度学习的人体动作识别算法研究人体动作识别是目前计算机视觉和模式识别领域的研究热点之一。
随着深度学习技术的发展，基于深度学习的人体动作识别算法在这一领域取得了重大突破。
本文将从深度学习的基本原理、人体动作识别的应用场景、基于深度学习的人体动作识别算法的研究现状以及未来发展方向等方面进行探讨。
首先，我们先来了解一下深度学习的基本原理。
深度学习是一种模仿人类大脑神经网络结构和工作原理的机器学习方法。
其核心是人工神经网络，通过多层次的神经元构建复杂的网络结构进行信息处理和学习。
深度学习具有自动学习特性，能够从大量的数据中提取高层抽象特征，对复杂问题进行建模和解决。
然后，我们来看一下人体动作识别的应用场景。
人体动作识别在很多领域都有着广泛的应用，比如体育运动分析、人机交互、安防监控等。
在体育运动分析中，通过识别运动员的动作，可以进行运动技能评估、个人训练指导等。
在人机交互领域，通过识别用户的动作，可以实现手势控制、虚拟现实交互等。
在安防监控中，通过识别人体动作可以实现行为识别、异常检测等。
接下来，我们重点介绍基于深度学习的人体动作识别算法的研究现状。
目前，基于深度学习的人体动作识别算法主要分为两类：基于2D图像的方法和基于3D图像的方法。
基于2D图像的方法使用基于卷积神经网络（CNN）的方法进行特征提取和分类。
典型的基于2D图像的方法有卷积神经网络+长短时记忆网络（CNN-LSTM）、二维卷积神经网络（2D-CNN）等。
基于3D图像的方法则通过传感器（比如深度相机）获取的3D图像进行特征提取和分类。
典型的基于3D图像的方法有三维卷积神经网络（3D-CNN）、时空卷积神经网络（Spatiotemporal-CNN）等。
基于深度学习的人体动作识别算法的研究现状有以下几个方向：一是特征表示学习。
传统的人体动作识别算法主要依赖于手工设计的特征，但这些特征往往不能充分提取动作的高层次语义信息。
因此，如何通过深度学习自动学习更好的特征表示是一个重要的研究方向。
基于深度学习的人体动作识别方法
基于深度学习的人体动作识别方法深度学习作为一种强大的机器学习技术，近年来在各个领域取得了重大突破。
其中，人体动作识别是深度学习技术的一个重要应用领域。
本文将介绍基于深度学习的人体动作识别方法，包括数据预处理、模型构建和训练、结果分析等方面。
一、数据预处理人体动作识别需要大量的标注数据集作为训练样本。
在数据预处理阶段，我们需要对采集到的原始数据进行清洗和标注。
一般而言，人体动作识别可使用传感器获取的关节点信息，如骨骼关节点坐标、速度、加速度等。
这些关键信息需要通过滤波和降噪等技术进行数据处理，以去除异常点和噪声，提高数据质量。
二、模型构建和训练在深度学习中，卷积神经网络（Convolutional Neural Network, CNN）是一种常用的模型架构，适用于图像和时间序列数据的处理。
对于人体动作识别来说，时间序列数据是关键，因此，我们可以使用一维卷积神经网络（1D-CNN）来进行模型构建。
1D-CNN的主要思想是通过卷积操作提取时间序列数据中的局部特征，然后通过池化操作将特征进行降维。
模型的输入可以是关节点坐标序列，经过多层的1D-CNN的卷积操作和池化操作后，得到的特征表示可以用于分类任务。
模型的输出层为softmax层，用于输出分类结果。
模型的训练需要一个标注好的数据集，可以通过监督学习的方法进行。
常见的损失函数可以是交叉熵函数，用于评估分类任务的误差。
通过反向传播算法，可以更新模型的参数，使得模型逐渐收敛。
三、结果分析在模型训练完成后，我们需要对其性能进行评价和分析。
常见的性能评价指标包括准确率、精确率、召回率和F1值等。
可以通过混淆矩阵、ROC曲线和AUC值来综合评价模型的性能。
此外，在实际应用中，我们还可以对模型进行优化和改进。
例如，可以使用预训练的模型参数来提高模型的性能，也可以通过调整模型的超参数来选择更合适的模型结构。
最后，基于深度学习的人体动作识别方法在很多领域都有广泛的应用，如体育训练、健康监测、智能安防等。
基于深度学习的人体动作识别与姿势估计技术研究
基于深度学习的人体动作识别与姿势估计技术研究人体动作识别与姿势估计是计算机视觉领域的重要研究方向之一，它可以广泛应用于人机交互、智能监控、虚拟现实等领域。
随着深度学习技术的快速发展，基于深度学习的人体动作识别与姿势估计技术也取得了显著的进展。
本文将详细探讨基于深度学习的人体动作识别与姿势估计技术的研究现状、方法和挑战。
首先，我们将介绍人体动作识别与姿势估计的定义和应用场景。
人体动作识别是指通过计算机视觉算法和深度学习模型，对人体在不同时间段内的动作进行自动识别和分类。
而人体姿势估计则是对人体关节点进行跟踪和定位，以推断人体在三维空间中的姿势。
这两项技术可以结合使用，实现对人体动作的准确描述和分析。
接着，我们将介绍基于深度学习的人体动作识别与姿势估计技术的研究方法。
在深度学习领域，卷积神经网络（Convolutional Neural Network, CNN）和循环神经网络（Recurrent Neural Network, RNN）是两种常用的模型。
其中，CNN主要用于图像数据的特征提取和分类，可以从图像中提取出与人体动作相关的特征信息；而RNN则可以建模时间序列数据，用于对时间上连续的动作序列进行建模和识别。
此外，还有一些对CNN和RNN进行改进的网络结构，如二维卷积循环神经网络（2D Convolutional Recurrent Neural Network, 2D-CRNN）和时空卷积神经网络（Spatio-Temporal Convolutional Neural Network, ST-CNN），能够更好地捕捉时空相关性，提高动作识别和姿势估计的准确性。
然后，我们将讨论基于深度学习的人体动作识别与姿势估计技术的研究挑战。
首先是数据集的问题，深度学习需要大规模的标注数据进行训练，但人体动作识别与姿势估计的数据集比较稀缺，尤其是包含大量姿势变化和遮挡的数据。
其次是动作表示的问题，如何选择适当的特征表示对于准确的动作识别和姿势估计至关重要。
基于深度学习算法的人体动作识别技术研究
基于深度学习算法的人体动作识别技术研究随着人工智能技术的飞速发展，基于深度学习算法的人体动作识别也日益成为研究的热点。
在生活、医疗、军事等领域，人体动作识别都有着广泛的应用前景。
本文将基于深度学习算法的人体动作识别技术作出探讨，探究其原理、发展现状、存在问题及发展前景。
一、基于深度学习算法的人体动作识别技术原理基于深度学习算法的人体动作识别，首先需要采集人体运动过程中的运动数据，例如运动轨迹、运动方向、加速度和角速度等参数。
接着，需要将这些参数输入训练好的深度学习模型中进行分类判别，最终得到每个动作的识别结果。
具体而言，采用的深度学习模型通常都是卷积神经网络(CNN)或循环神经网络(RNN)，可以对运动数据进行特征提取和分类判别。
二、基于深度学习算法的人体动作识别技术发展现状目前，基于深度学习算法的人体动作识别技术已经得到了广泛的应用。
例如在虚拟现实、健身训练、智能家居、肢体康复、人机交互、交通安全等领域都有着广泛的应用。
其中，虚拟现实是一个非常典型的应用场景。
基于深度学习算法进行人体动作识别，可以实现对用户在虚拟现实场景中的动作进行跟踪和识别。
在游戏和娱乐场所，用户可以通过模拟现实中的动作，来掌握一个技能、学习一个新的知识点，以增加用户的参与感和体验感。
而在交通安全领域，基于深度学习算法的人体动作识别可以用于车辆驾驶员的疲劳驾驶检测。
通过检测车辆驾驶员的脸部和身体动作，就可以判断驾驶员的状态是否良好，预防交通事故的发生。
总的来说，基于深度学习算法的人体动作识别技术在学术研究、商业应用等领域都已经取得了不俗的成绩。
三、基于深度学习算法的人体动作识别技术存在的问题虽然基于深度学习算法的人体动作识别技术已经有了非常优秀的表现，但是在实际应用中仍然存在着一些问题。
1、数据质量问题：深度学习算法的学习效果往往受到数据质量的影响。
因此，在进行人体动作识别技术研究时，需要采用高质量的运动数据，而且大规模的数据采集也是很有必要的。
基于深度学习的人体姿势识别算法研究
基于深度学习的人体姿势识别算法研究近年来，随着计算机技术的迅速发展，机器学习、深度学习等人工智能技术已成为热门的研究方向。
其中，基于深度学习的人体姿势识别算法，已经在很多领域得到了广泛的应用。
这一技术的出现，可以为人们的生活提供更多便利，比如在医学、娱乐和安防等领域中运用广泛。
一、人体姿势识别算法的概述人体姿势识别算法是指计算机通过图像处理技术来识别人体的姿势。
传统的人体姿势识别算法需要手动提取特征，但这种方法存在一定的缺陷，比如特征的选取和提取都需要人工干预，算法的准确度和可靠性都很难得到保证。
而基于深度学习的人体姿势识别算法，通过深度神经网络自动学习和学习特征，大大提高了算法的识别准确率和稳定性。
二、深度学习技术在人体姿势识别中的应用常用的深度学习技术有卷积神经网络（CNN）、循环神经网络（RNN）和长短时记忆网络（LSTM）。
在人体姿势识别中，通过卷积神经网络（CNN）进行特征提取和分类。
近年来，CNN已经被广泛应用在人体姿势识别领域，比如手势识别、行走姿势识别、身份识别等。
CNN通过学习不同的姿态特征，实现对不同姿态的分类，从而达到人体姿势识别的目的。
三、人体姿势识别算法的应用领域人体姿势识别算法广泛应用于各种领域，如医学、娱乐和安防等。
在医学领域，人体姿势识别算法可以应用于老年人和残疾人的康复治疗，实现对身体姿势的监测和评估。
在娱乐领域，人体姿势识别算法可以实现身体姿态的控制，比如体感游戏。
此外，在安防领域中，人体姿势识别算法可以用于行人跟踪和异常行为识别等领域。
四、人体姿势识别算法的发展前景随着计算机硬件和技术的发展，基于深度学习的人体姿势识别算法将会得到更广泛的应用。
未来将有更多的软件、硬件产品将以此为基础，为人们提供更智能化、更便利的服务。
人类对于机器的需求也在逐渐增加，而人体姿势识别算法则为机器的控制和人机交互提供了更多的可能性。
总之，人体姿势识别算法在人工智能技术中占有着重要地位。
基于深度学习的人体动作识别技术研究
基于深度学习的人体动作识别技术研究人体动作识别技术是计算机视觉领域中的一项重要研究内容。
近年来，随着深度学习在模式识别领域的广泛应用，基于深度学习的人体动作识别技术也取得了显著的进展。
本文将对基于深度学习的人体动作识别技术进行研究和探讨。
一、引言人体动作识别技术是指通过计算机对人体进行姿态解析和动作识别的技术，具有广泛的应用场景，如智能监控、虚拟现实、体感游戏等。
传统的人体动作识别技术主要依赖于手工设计的特征提取算法和传统的机器学习方法，但这些方法在复杂场景下面临着较大的挑战。
二、深度学习基础深度学习是一种神经网络模型，其核心思想是通过多层次的非线性变换来学习输入数据的表示。
深度学习的特点是可以自动从数据中学习特征表示，并能够通过大规模数据训练来提高模型的泛化能力。
三、基于深度学习的人体动作识别技术基于深度学习的人体动作识别技术主要包括以下几个步骤：1. 数据采集和预处理在进行人体动作识别之前，需要采集并标记一组有标签的人体动作数据集。
这些数据集可以包括不同人体在不同环境下的动作表演。
然后，对采集到的数据进行预处理，如去除噪声、平滑处理等。
2. 特征提取在传统的人体动作识别中，通常需要手工设计特征提取算法，但这些方法在复杂场景下往往效果不佳。
而基于深度学习的人体动作识别技术可以自动从数据中学习到更优的特征表示。
常用的特征提取方法包括卷积神经网络(CNN)和循环神经网络(RNN)等。
3. 模型训练在特征提取之后，需要构建一个深度学习模型来进行人体动作的训练。
目前，常用的深度学习模型包括卷积神经网络、循环神经网络和时空网络等。
通过对标注好的数据集进行训练，可以学习到模型的参数。
4. 动作分类与识别模型训练完成后，可以利用该模型对未知的人体动作进行分类与识别。
对于输入的人体动作序列，通过模型的前向传播算法，可以得到对应的动作类别。
四、基于深度学习的人体动作识别技术的应用基于深度学习的人体动作识别技术可以应用于各个领域。
基于深度学习的人体姿态识别与动作检测技术研究
基于深度学习的人体姿态识别与动作检测技术研究随着计算机视觉领域的发展，人体姿态识别与动作检测技术在许多应用中发挥着重要的作用。
深度学习是一种基于神经网络的机器学习方法，通过多层次的非线性变换对数据进行建模和表示，其在人体姿态识别与动作检测任务中具有显著的效果和潜力。
人体姿态识别是指从图像或视频中自动提取出人体的姿态信息，包括关节位置、姿势表示等。
这项技术在许多领域都有应用，如智能监控、健康管理等。
基于深度学习的人体姿态识别技术通过训练深度神经网络，可以对输入的图像进行特征提取和姿态估计，从而实现对人体姿态的准确和实时的识别。
这种技术在可视化运动分析、动作捕捉等领域有着广泛应用。
人体动作检测是指从图像或视频中识别和分析出人体的动作。
与姿态识别相比，动作检测更加复杂，需要对连续的图像序列进行建模和分析。
基于深度学习的人体动作检测技术通过对输入的图像序列进行时空特征的提取和分析，可以实现对各种复杂动作的准确检测和识别。
这项技术在视频监控、运动分析、虚拟现实等领域有着广泛的应用前景。
在基于深度学习的人体姿态识别与动作检测技术研究中，主要存在以下几个关键问题：首先，数据集的构建和标注是一个关键问题。
深度学习模型需要大量标注的训练数据才能取得较好的效果，而对于人体姿态和动作的标注需要相应的专业知识和经验。
因此，如何构建一个含有大量准确标注数据的数据集是研究的重要一步。
其次，姿态与动作建模是一个挑战性的问题。
人体的姿态和动作具有复杂性和多样性，如何将其准确地建模并提取出关键的特征是一个难点。
深度学习模型通过多层次的非线性变换可以学习到抽象的特征表示，但如何设计合适的网络结构和训练策略以更好地适应姿态与动作的特点仍需进一步研究。
另外，姿态与动作的实时性也是一个问题。
对于实时应用场景，如智能监控和虚拟现实等，实时性是一项关键指标。
深度学习模型通常需要大量的计算资源才能进行训练和推断，如何在保证准确性的同时提高模型的运行效率是一个需要解决的问题。
人体动作识别中的深度学习模型选择
帧 ，可 以基 于一 些信 号特 征例 如信 号 能量 来划 分 ，或 者通 过 时间 滑 窗的 方法 分段 。然 后 从每 一 帧或每 一 段提 取 一组特 征 ，其 中 最常 见 的包括 统计 特 性或频 域 特性 。 ２．１ 卷 积神 经网 络在 人体 动作识 别 中的 应用
目前 在普 适 计算 中 比较受 欢迎 的 是基 于卷 积 神经 网络 的模 型 ， 许多 研究 人 员都在 探 索它 们在 不 同动 作识 别任 务 中 的识别 效 果 。卷 积神 经 网络 因其 可 以采用 原始 信 号直 接作 为 网络输 入 而避 免 了复 杂 的特 征提 取过 程 ， 已经应 用在 特 定领 域 ，例 如检 测 自闭症 的 典型 动 作［３］，这 一应 用很 显然 优 于之 前领 先的 识别 方法 。 ２．２ 递 归神 经网 络在 人体 动作 识别 中 的应用
１ 深度学 习在人体动 作识 别中的研 究现状
在 过 去 十年 中 ，深 度学 习 己成 为机 器学 习领 域 最热 门的研 究方 向 ，并且 在 学术 研 究和 商业 用途 的驱动 下 ， 出现 越 来越 多 的变体 。 通 过 Ｔｏｒｃｈ７Ｉｌ＿等机 器 学 习框 架 ，深度 学 习能 被大 众 所使 用 ，并 且在 很 多应 用 领域 中 发挥 重要 作用 。 １．１ 人体 动 作识 别 的研 究现 状
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
些数据集使用递归神经网络识别效果会和卷积神经网络相差无几，
参数配置的可能性有多大？在参数探索的过程中报告的与其他模型比
甚至是优于卷积神经网络，但是研究者可以通过平均识别效果选择
较的识别效果有多大的代表性？哪一个参数对识别效果的影响最大？ 这些问题对于研究者是非常重要的，但是目前在相关研究中很少有提
适合的结构模型。（4）在开始优化网络结构之前，建议先探索学 习速率，因为学习到的参数对于模型的识别效果有很大的影响。
上的适用性，可以为对深度学习感兴趣的研究人员提供一定的参考。
作[3]，这一应用很显然优于之前领先的识别方法。
2.2 递归神经网络在人体动作识别中的应用
1 深度学习在人体动作识别中的研究现状
在普适计算中，帧与帧之间通常被看作是统计独立的，因此生
在过去十年中，深度学习已成为机器学习领域最热门的研究方
成模型的应用也是非常成功的，例如隐马尔科夫模型（HMM）。那 些能够利用时序数据的时间相关性的方法，自然也就成为构建人体运
5 结束语
本文在分析模拟与数字信号正交调制原理的基础上，提出的基 于AD9364的通用正交调制平台，可实现实现70 MHz至6.0 GHz频率 输出，且该平台采用FPGA控制，可以灵活地实现多模式调制，从 而满足大多数软件无线电平台的应用需求。
参考文献 [1]彭龙,田书林,刘科.基于DDS的数字调制[J].电子测试,2012(1):19-22. [2]Ulrich L. Rohde(美)著,刘光祜等译.无线应用射频微波电路设 计[M]. 北京:电子工业出版社,2004:23-50. [3]周炯磐,杨鸿文.通信原理[M].北京:北京邮电大学出版社,2005: 208-250. [4]杨小牛,楼才义,徐建良.软件无线电原理与应用[M].电子工业 出版社,2001. [5]AD9364 DataSheet.Analog Devices Inc,2014.
其主要特征包括：1)集成12位DAC和ADC的RF 1×1收发器；2)频 段：70MHz至6.0GHz ；3)可调谐通道带宽：<200kHz至56MHz；4)双 通道接收器：6路差分或12路单端输入；5)出色的接收器灵敏度，噪声 系数小于2.5dB；6)可编程速率的内插滤波器。
图2 基于AD9364硬件平台架构 从图2可以看到，模拟信号经过模数转换后送至FPGA，而数字 信号直接送至FPGA，FPGA根据设定的调制类型，对数据进行编 码、映射等处理，形成数字基带信号，然后将数字基带信号送至正 交调制器AD9364，AD9364根据需要对I、Q两路基带信号进行数字 滤波及插值处理，以匹配数字载波数率。插值后，两路数字基带信 号经过数模转换、模拟基带滤波器，与正交的两路载波信号相乘后 求和，产生已调射频信号，完成信号的正交调制。 根据AD9364器件资料，AD9364内部集成VCO，可实现70MHz至 6.0GHz频率输出，涵盖大部分特许执照和免执照频段，且器件外围电 路简单，编程应用丰富。可见，采用FPGA+AD9364的架构，可以容 易实现满足模拟与数字信号正交调制需求的通用正交调制平台。
4.2 基于AD9364的硬件平台设计 基于上述通用方案构想，考虑到调制器小型化、可编程、外围
电路简单的发展趋势，硬件平台核心电路采用FPGA+AD9364的架 构。架构原理框图如图2所示。
AD9364是一款高性能、高集成度RF捷变收发器。该器件的可 编程性和宽带能力使其成为多种收发器应用的理想选择。该器件集 RF前端与灵活的混合信号基带部分为一体，集成频率合成器，为 处理器提供可配置数字接口，从而简化设计导入。
普适计算中的人体动作识别是受益于深度学习的领域之一。人 体动作识别中相关的研究方法包括：对穿戴设备时序数据的滑动窗
Ordonez和 Roggen等在OpportunityDataset和SkodaDataset两个动作识别 数据集上将递归神经网络与卷积神经网络联合使用 [5]。实验表明，在
口分段、手动特征提取过程以及一系列的（有监督）分类方法。很 多情况下，这些相对简单的方法已经能够获得较高的识别准确度。 然而，一些更复杂的行为动作对这些需要手动设计的方法提出了一
使用可穿戴传感器收集的人体运动数据是多变量时间序列数
果较差，但是研究人员也不应该丢弃该模型。更加复杂的方法例如
据，在普适计算中分析这些数据通常是使用基于管道（pipelinebased）的方法。首先是将这些时间序列数据分割成连续的段或者
卷积神经网络或者递归神经网络的识别率差异较小，这样就更有可 （下转第49页）
理解每种模型的本质并知道它们在不同动作识别任务中的适用性。
尽管已经有一些关于深度模型在动作识别的各种应用场景中的 探索，但是缺乏一个系统的关于深度模型适用性的分析。各种论文的
通过探讨大量最新的论文，本文得出[6]：（1）对于那些持续时 间短但是有序的动作，递归神经网络的识别效果明显优于卷积神经
作者报告他们在初步实验中探索参数空间，但是通常忽略细节。实验
1.2 深度学习在人体动作识别中的应用障碍
没有用于拟合更低层面的用传感器采集到的相互独立动作数据。
深度学习将对普适计算中的人体动作识别带来巨大影响，它将
取代缺乏鲁棒性且需要手动设置的特征提取过程。然而，对于研究 者而言，为他们的具体应用场景选择合适的深度学习模型是一件比
3 结论
较困难的事情。很多促进深度学习发展的研究几乎都只是呈现了系
向，并且在学术研究和商业用途的驱动下，出现越来越多的变体。
动模型的选择。深度递归神经网络，尤其是那些依靠长期短期记忆单
通过 Torch7[1]等机器学习框架，深度学习能被大众所使用，并且在 很多应用领域中发挥重要作用。 1.1 人体动作识别的研究现状
元（LSTMs）的递归神经网络，最近在各种应用场景中已经取得了 令人印象深刻的识别效果。 首先，Neverova等利用记录在人们手机 上的运动数据研究了各种递归方法在人体识别中的识别效果[4]。接着
ELECTRONICS WORLDɾ探索与观察
人体动作识别中的深度学习模型选择
广州中医药大学医学信息工程学院 谭火媛 罗晓牧
【摘要】目前深度学习已成为机器学习领域最热门的研究方向，在众多应用领域取得良好的效果，这使得不少深度学习爱好者跃跃欲试。然 而，虽然关于深度学习的研究论文日益增多，但是仍然缺乏如何针对不同的应用场景选择合适的深度学习模型的指导。本文探讨了根据可穿 戴式传感器在人体动作识别中的信号特点，为如何根据不同的动作识别任务选择合适的深度学习模型提供参考。 【关键词】 深度学习；动作识别；卷积神经网络（CNN）；递归神经网络（RNN）
网络。因为递归方法在一段长时间序列内可以联系上下文，结合上
的整个过程不但不清晰，而且难以复制。一些论文中展现单个实例， 例如卷积神经网络在某一特定场景获得较好的识别效果，然而单单报 告峰值性能数据并不能反映一种方法在普适计算中的所有识别任务具 有适用性，因为还需要花费多少精力去优化提出的方法以及调试与之
在M进制移相键控（MPSK）调制中，在M进制符号间隔内，
已调信号的载波相位是M个可能的离散相位之一，其中每个载波相
位对应于K个二进制符号
。
4 基于AD9364的正交调制硬件平台设计 4.1 正交调制器原理方案
基于上述正交调制模型的分析，设计通用正交调制方案，其原 理框图如图1所示。
图1 正交调制器原理框图 从图1可以看到，基带信号经串并变换或映射处理转换成I、Q 两路送入正交调制器，正交调制器通过成形滤波、数模转换、模拟 基带滤波等，将两路信号转换成模拟信号，并与LO输出的正交载 波相乘后相加，生成已调射频信号。通过控制LO频率，便可得到 不同频率的调制信号。
OpportunityDataset这个数据集中，递归神经网络与卷积神经网络联合 使用的识别效果优于其他方法；在SkodaDataset数据集中，使用递归 神经网络优于不使用递归方法的模型。应用递归神经网络仅仅是为了
定的挑战，例如在医疗应用中的动作识别等[2]。
在更抽象的层面上更有效地拟合时间相关性。目前，递归神经网络还
本文探讨了目前最常用的深度学习方法应用于基于可穿戴式传
统的最优效果，而很少介绍这些看起来最优的参数是如何确定的。
感器人体动作识别的识别效果。从研究者的角度来看，他们感兴趣
在参数探索过程中，对于最佳效果是如何与一般情况下的效果比
的并不是每种模型的最好识别效果是多少，而是探索参数的过程和
较，也没有做出很好的解释。
及，这很大程度上限制了深度学习在人体动作识别中的应用和推广。
通过对论文的探讨发现，对于不同模型的不同参数设置，最终
的识别效果会有很大的区别。普通的深度神经网络对于研究人员来
2 常用的深度学习方法在人体动作识别中的应用
说也许是最容易应用到不同的数据集中的模型，但它需要投入大量
的精力来调试参数。所以，尽管在初始的模型探索中模型的识别效
经网络 (Convolutional networks, CNN)和递归神经网络（Convolutional Neural Network, RNN）在人体动作识别中的应用。通过大量随机采样 模型配置的动作识别实验，比较不同模型在人体动作识别的不同任务
许多研究人员都在探索它们在不同动作识别任务中的识别效果。卷 积神经网络因其可以采用原始信号直接作为网络输入而避免了复杂 的特征提取过程，已经应用在特定领域，例如检测自闭症的典型动
基金项目：国家自然科学基金（No.61301294）、2016年广东省大学生创新训练计划项目（No. 201610572084）。
• 47 •
ELECTRONICS WORLDɾ探索与观察
MFSK信号表示式如式（3-13）所示。 展开得：
Hale Waihona Puke 结合式（3-14），可得MFSK信号正交调制表达式：
3.6 M进制移相键控信号的正交调制