CN119495126A 一种基于时空频域特征和对抗学习的跨域行为识别方法 （浙江工业大学）

一种基于时空频域特征和对抗学习的跨域本发明公开了一种基于时空频域特征和对目标域和源域之间的频域特征进行计算得到相2分割后的传感器数据通过时空频域特征提取网络，分将源域特征向量和目标域特征向量分别输入到分类器中进行分类，通过将时空频域特征提取网络和分类器用于目标域传感器数据，通过2.根据权利要求1所述的基于时空频域特征和对抗学习的跨域行为识别方法，其特征随后高维特征通过时间特征提取模块提取得到时间特征，3.根据权利要求2所述的基于时空频域特征和对抗学习的跨域行为识别方法，其特征4.根据权利要求3所述的基于时空频域特征和对抗学习的跨域行为识别方法，其特征将输入特征采用滑动窗口选择特征分量，分别输入其中，每个滑动膨胀时间注意力层对输入的特征分量通过膨5.根据权利要求2所述的基于时空频域特征和对抗学习的跨域行为识别方法，其特征36.根据权利要求1所述的基于时空频域特征和对抗学习的跨域行为识别方法，其特征将输入特征、频率谱分量和关联分量拼接后通过前馈网络，得到7.根据权利要求6所述的基于时空频域特征和对抗学习的跨域行为识别方法，其特征4及，各种传感器的广泛应用为基于传感器数据的跨域行为识别研究提供了丰富的数据来了显著的进展。基于传感器数据的行为识别相较于使用视频和图像进行的行为识别而言，此基础上设计有效的迁移学习算法提升目标域动作识别性能是[0005]本申请的目的在于提供一种基于时空频域特征和对抗学通过时空特征提取网络和频域特征提取网络充分挖掘传感器数据的时空特征和频域特征，5将输入特征采用滑动窗口选择特征分量，分别输入对应的滑动膨胀时间注意力6为识别的过程中，使用时空特征提取网络对传感器数据中的时空特征进行了扩展和提取，滑动窗口放在时间序列的起始位置，然后滑动窗口向后移，形成另一个长度为200的子序[0024]图2示出了整个对抗学习网络的结构，其中时空频域特征提取网络包括时空特征传感器数据转换为具有丰富上下文信息的高维特征H。随后高维特征H通过时间特征提取模块提取其时间特征，通过空间特征提取模块提取其空间特征H;，最终将时间特征Hf7将输入特征采用滑动窗口选择特征分量，分别输入对应的滑动膨胀时间注意力其中，表示H:的第i个特征分量，为滑动膨胀时间注意力的输入，第i个特征分量。r代表膨胀率，r为0时取相邻的时间窗口，r为n时则跳跃n个时间窗口进f、、与膨胀率r8表示可学习的权重矩阵，表示空间特征的第n个特征分量,Norm表示层归源域传感器数据xs输入上述时空特征提取网络得到源域时空特征Hgt，目标域传感器数据xr输入上述时空特征提取网络得到目标域9Qi=(Ei-1+YS)WO,ki=(Ei-1+Y)WX,vi=(Ei-1+YS)WV(17)ci=MultiAttn(Q,k,VI)(18)E;=FF(conv(Ei-1+Y+CG))(19)征X替代EO进行计算。DFT为离散傅里叶变换，Qi、ki、vi分别为多头注意力的输入，通过计算源域频域特征和目标域频域特征的余弦相似度得到其相似度矩阵，可以表示为类器由一系列线性层组成，除最后一层外，其余每个线性层都应用Dropout和ReLU激活函网络和Sigmoid激活函数组成。源域特征向量zs和目标域特征向量zn经过一层全连接神经征zn的第j个分量。5.64%和6.41%；在PAMAP2数据集上，其准确率和