Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
Publisher of Iranian Journals and Conference Proceedings
عنوان
Paper

Human activity recognition based on recurrent neural network and deep convolution

تعداد صفحات: 5 | تعداد نمایش خلاصه: 131 | نظرات: 0
سال انتشار: 1396
کد COI Paper: ETECH03_009
زبان Paper: Englishglish
(فایل این Paper در 5 صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این Paper

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این Paper را خریداری نمایید.

با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک Paper) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید.در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.

لطفا قبل از اقدام به خرید اینترنتی این Paper، ابتدا تعداد صفحات Paper را در بالای این صفحه کنترل نمایید.

برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل Paper

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 5 صفحه است در اختیار داشته باشید.

قیمت این مقاله : 3,000 تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان Paper Human activity recognition based on recurrent neural network and deep convolution

Toktam nojavan - Computer Engineering Department Islamic Azad University, ferdows Branch, Iran
Hooman Kashanian - Assistant professor, Computer Engineering Department Islamic Azad University, ferdows Branch, Iran

چکیده Paper:

Human activity Recognition is one of the topics has been the interest Researchers in recent decades. HAR is used for issues such as monitoring, performance evaluation and recognition of abnormal and suspicious activity, etc. Smart home environment is where data collected from sensors which installed in human body or environment to classify human activities. Appropriate diagnosis of daily life activities proposed to implement many strategies to encourage healthy behaviors related to diet, exercise and adherence to treatment will be necessary. Thus, in this paper a method is provided for Human activity Recognition in the smart home environment. This approach combination of neural networks is reversible and deep convolution. The proposed method implemented on the dataset which collected signals in the smart home. The results confirm the validity of the proposed method is in the 53 percent classified.

کلیدواژه ها:

Human activity Recognition, neural networks, deep convolution, smart home

کد Paper/لینک ثابت به این Paper

برای لینک دهی به این Paper می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت Paper در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/749174/

کد COI Paper: ETECH03_009

نحوه استناد به Paper:

در صورتی که می خواهید در اثر پژوهشی خود به این Paper ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
undefined, undefined و undefined, undefined,1396,Human activity recognition based on recurrent neural network and deep convolution,سومین کنفرانس ملی تکنولوژی مهندسی برق و کامپیوتر,Tehran,,,https://civilica.com/doc/749174

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این Paper اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1396, nojavan, Toktam؛ Hooman Kashanian)
برای بار دوم به بعد: (1396, nojavan؛ Kashanian)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

Research Info Management

Certificate | Report Paper

Export Citation info of this Paper to research management softwares

علم سنجی و رتبه بندی Paper

مشخصات مرکز تولید کننده این Paper به صورت زیر است:
نوع مرکز: azad university
تعداد مقالات: 519
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

New RelatedPapers

Share this paper

WHAT IS COI?

COI is a national code dedicated to all Iranian Conference and Journal Papers. the COI of each paper can be verified online.

Support