论文部分内容阅读
由于深度学习在机器学习领域广泛应用,将深度学习应用于传感器数据活动识别受到研究人员的关注,同时,由于室内活动涉及大量的个人隐私,因此,如何在保证隐私安全的前提下,提高传感器数据活动识别的准确率具有较好的理论和应用价值。本文以传感器序列数据为数据源,围绕室内传感器数据活动识别方法和隐私保护展开研究。首先,在识别室内活动的单变量序列数据时,针对循环神经网络RNN不能很好地处理具有长期依赖关系的序列,导致识别准确率降低的问题,本文提出一种基于CNN-LSTM的室内传感器数据活动识别方法,简称为CLIAR(Indoor Activity Recognition based on CNN-LSTM)。在CLIAR中,卷积神经网络CNN能很好地提取出活动序列数据中的特征向量;长短期记忆网络LSTM在考虑当前点输入的同时,又考虑先前点的输出,能够保持数据之间的长期依赖性,从而解决数据间长期依赖的问题,提高活动识别的准确率。实验表明,CLIAR的识别准确率比模式识别方法提高了9.3%。其次,针对LSTM很难从大量活动信息中区分输入序列的不同重要程度的问题,本文提出一种基于时间Attention LSTM的室内传感器数据活动识别方法,简称为TAL-ISDAR(Indoor Sensor Data Activity Recognition based on Temporal Attention LSTM)。TAL-ISDAR利用隐藏层的时间Attention机制保留当前时刻LSTM的中间输出结果,通过匹配模块计算中间输出结果的权重和权重的加权向量和,作为下一时刻的输入,从而解决LSTM忽略的权重分配问题,提高活动识别的准确率。实验结果表明,TAL-ISDAR的识别准确率对比CLIAR提高了5.2%。最后,针对噪音扰动会对活动识别模型的隐私安全和性能造成影响的问题,本文提出基于隐私保护的室内传感器数据活动识别方法,简称为PPAR(indoor sensor data Activity Recognition based on Privacy Protection)。PPAR通过在隐藏层中添加微小的噪音扰动,使模型在训练中可能产生最坏情况;利用对抗dropout断开神经元之间的连接,并重新配置神经网络,增加网络的稀疏结构;通过学习对抗dropout,刺激无用或者不正确的学习过的神经元更好的促进识别的准确率,同时提高模型的泛化性能。实验结果表明,PPAR方法在增强隐私保护能力的同时识别准确率比TAL-ISDAR提高了5.6%。