《表1 多任务识别与单任务识别结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积神经网络的雷达人体动作与身份多任务识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

实验采用慢时间窗口长度为1.0s的无噪雷达时频图像（180000张），其中每个受试者的单个动作种类包含2000张雷达时频图像。将180000张时频图像数据按照受试者类别和动作类别进行分层随机抽样，可得到4个数量相等的子集（45000张）。每个子集中，单个受试者的单个动作类别包含时频图像500张。每次取3个子集作为训练集（135000张），一个子集作为测试集（45000张），得到交叉验证集（cross validation)1～4。采用本文提出的模型结构和联合损失优化方法，进行人体动作（HA）与人体身份（HD）的多任务识别（MR）以及单任务识别（SR）。在单任务识别中，利用对应任务上的联合损失分别训练各任务的对应模型。训练中学习率为0.0001，迭代次数为20。经多次实验，设定λE、λM，λC为0.01，α为0.005。表1为识别结果，其中总识别准确率（HT）表示在两个任务上都识别正确的样本比例。图6显示了训练次数增加时，交叉验证集4上各任务损失值和识别准确率的变化情况。