何正义
- 作品数：2 被引量：17H指数：2
- 供职机构：重庆邮电大学计算机科学与技术学院更多>>
- 发文基金：国家自然科学基金重庆市自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于集成深度学习的时间序列预测模型被引量：11
- 2016年
- 基于高斯过程的条件受限玻尔兹曼机(GCRBM)时序模型可以很好的预测单一种类时序数据,但是该模型难以预测多类别的真实高维数据。针对这个问题,提出基于集成深度学习的时间序列预测模型,对多类时序对应训练多个深可信网络(deep belief networks,DBN)模型来学习低维特征,利用低维特征对应训练多个GCRBM时序模型。预测时序时先通过训练出的一组DBN模型对目标数据进行降维并通过重建误差识别类别,然后通过识别到的类别所对应的GCRBM模型预测目标数据的后期时序。在CASIA-A步态数据集上的试验结果表明:本方法能够准确识别出步态序列,而且预测结果能够模拟出真实的步态序列,证实了本模型的有效性。
- 何正义曾宪华曲省卫吴治龙
- 关键词：时间序列
- 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
- 2018年
- 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。
- 何正义曾宪华曾宪华
- 关键词：卷积神经网络
