HAR堆叠式残余比拟LSTM:使用带有TensorFlow的深度堆叠式残余双向LSTM细胞(RNN)我们进行人类活动识别(HAR)。 在2个不同的数据集中的6个

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。 我们的神经网络经过编码,易于适应新的数据集(假设为每个预测提供了固定的,非动态的信号窗口),并通过使用新的配置文件