抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
物理センサの結合性とモノ(IoT)のインターネットの急激な増加は時系列データの大規模収集を可能にする,データは観測した対象物の動作パターンと内部変化を表している。生センサデータからの基礎となる高レベル状態の認識と予測はヒトの日常活動の認識と機械の予防保全のための有用である。深層学習(DL)法は,コンピュータビジョン,自然言語処理,音声認識における効率的な証明されており,これらのモデルは,時系列解析に適用した。時系列は多次元と長期時間依存性を用いた逐次ので,電流DLベースモデルは,内部と状態間の空間的および時間的特徴を学習することができず,従ってはまだ高レベル状態の認識と予測の改善の多くの余地が存在する。本論文では,長期再発畳込みLSTMネットワーク(LR ConvLSTM)と命名したハイブリッド深層アーキテクチャを提案した。モデルは畳込みLSTM層から成る高レベル状態内の特徴,高レベル状態間の時間的依存性を捕捉するために余分なLSTM層を抽出することである。1回公共活性認識チャレンジで使用されている機会データセット上で提案モデルを評価した。結果は,提案したモデルは時系列分類と予測タスクの両方で優れた性能を持つことを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】