哈尔 使用深度神经网络的人类活动识别（HAR）

HAR堆叠残留投标书LSTM 该项目基于，以教程形式提供。 它由使用TensorFlow的堆叠式残余双向LSTM细胞（RNN）组成的人类活动识别（HAR）组成。 它类似于“ ”中使用的体系结构，而没有注意力机制，而只有编码器部分。 实际上，我们在开始考虑将残余连接应用于LSTM时就开始进行编码-直到后来，我们才发现这种深层LSTM体系结构已经被使用。 在这里，我们将先前使用的数据集的准确性从91％提高到94％，并通过在另一个数据集上尝试我们的体系结构进一步推动了这一主题。 我们的神经网络

使用智能手机数据集和LSTM RNN的人类活动识别（HAR）。 将运动类型分为以下六类： 步行， WALKING_UPSTAIRS， WALKING_DOWNSTAIRS， 坐下 常设， 铺设。 与传统方法相比，使用具有长短期记忆单元（LSTM）的递归神经网络（RNN）不需要或几乎不需要特征工程。 数据可以直接馈入神经网络，就像黑盒子一样，对问题进行正确建模。 关于活动识别数据集的可以使用大量的特征工程，这是一种结合了经典数据科学技术的信号处理方法。 就数据预处理量而言，此处的方法非