基于渐进式神经网络架构搜索的人体运动识别

为了解决基于传感器数据的运动识别问题,利用深度卷积神经网络(CNN)在公开的OPPORTUNITY传感器数据集上进行运动识别,提出了一种改进的渐进式神经网络架构搜索(PNAS)算法.首先,神经网络模型设计过程中不再依赖于合适拓扑结构的手动选择,而是通过PNAS算法来设计最优拓扑结构以最大化F1分数;其次,使用基于序列模型的优化(SMBO)策略,在该策略中将按照复杂度从低到高的顺序搜索结构空间,同时学习一个代理函数以引导对结构空间的搜索;最后,将搜索过程中表现最好的20个模型在OPPORTUNIT数据集上进行完全训练,并从中选出表现最好的模型作为搜索到的最优架构.通过这种方式搜索到的最优架构在OPPORTUNITY数据集上的F1分数达到了93.08％,与进化算法搜索到的最优架构及DeepConvLSTM相比分别提升了1.34％和1.73％,证明该方法能够改进以前手工设计的模型结构,且是可行有效的.