基于LSTM多传感器数据融合人体行为识别方法

多传感器采集的人体行为姿态数据具有连续性与序列性,然而传统算法忽略其序列性而只对数据本身进行分析.在先前的研究工作中,尝试采用深度神经决策森林对多传感器数据进行分类,但由于某些姿态数据具有一定的周期延时性,因此在局部准确率中表现并不突出甚至较差.针对这一问题,可采用长短时记忆网络算法对所采集数据进行处理.该方法采用记忆单元对数据之间的联系进行有选择的记忆与遗忘,仅保留对识别结果有益的数据.相较于传统神经网络方法,该方法参数较少,可有效提升算法训练的速度与模型内存占用.实验结果表明,采用的LSTM方法,分类准确率达到了98.5％,对比其他传统算法具有更好的分类准确率.