کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6854688 1437592 2018 36 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Ensemble classifier of long short-term memory with fuzzy temporal windows on binary sensors for activity recognition
ترجمه فارسی عنوان
طبقه بندی گروهی از حافظه طولانی مدت با پنجره های فاز فازی در سنسورهای باینری برای تشخیص فعالیت
کلمات کلیدی
به رسمیت شناختن فعالیت پنجره های فازی زمانی، حافظه طولانی مدت، داده های نامتقارن، گروه معماری،
ترجمه چکیده
روشی است که با موفقیت با استفاده از یک طبقه بندی آموزش دیده بر روی ویژگی های موجود از داده های حسگر باینری، فعالیت های زندگی روزمره را تشخیص دهد. اگر چه این رویکردها موفق بوده اند، اما همچنان مسائل باز وجود دارد مانند ارزیابی پنجره های مختلف زمانی، مجموعه ای از طبقه بندی ها یا کلاس های نامتعادل که باید به منظور بهبود عملکرد فرایند به رسمیت شناختن فعالیت در زمان واقعی مورد توجه قرار گیرند. در این مقاله، ما روش شناختی برای شناسایی فعالیت زمان واقعی را بر اساس زمینه های مختلف آموزش ماشین، از جمله منطق فازی و شبکه های عصبی مکرر ارائه می کنیم. این روش از نمایندگی بلندمدت و کوتاه مدت فعال سازی سنسورهای باینری با استفاده از ویندوز فازی فوری استفاده می کند. این مقاله مجموعه ای از طبقه بندی های مبتنی بر فعالیت را برای اهداف آموزش متعادل ارائه می دهد که در آن هر طبقه بندی کننده در گروه حافظه طولانی مدت است. این رویکرد با استفاده از دو مجموعه داده های سنسورهای باینری از فعالیت های زندگی روزانه و مقایسه با رویکردهای قبلی بر اساس ترکیبی از ویژگی های فعال سازی سنسور مورد ارزیابی قرار گرفت.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
طبقه بندی گروهی از حافظه طولانی مدت با پنجره های فاز فازی در سنسورهای باینری برای تشخیص فعالیت
چکیده انگلیسی
There are approaches that successfully recognize activities of daily living by using a trained classifier on feature vectors created from binary sensor data. Although these approaches have been successful, there are still open issues such as the evaluation of multiple temporal windows, ensembles of classifiers or unbalanced classes which need to be addressed in order to improve the performance of the real-time activity recognition process. In this paper, we present a methodology for Real-Time Activity Recognition based on the diverse fields of Machine Learning, including Fuzzy Logic and Recurrent Neural Networks. The methodology uses a long-term and short-term representation of binary-sensor activations based on Fuzzy Temporal Windows. The paper proposes an ensemble of activity-based classifiers for the purposes of balanced training, where each classifier in the ensemble is a Long Short-Term Memory. The approach was evaluated using two binary-sensor datasets of daily living activities and benchmarked against previous approaches based on the combination of sensor activation features.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 114, 30 December 2018, Pages 441-453
نویسندگان
, , , ,