基于邊緣計算的在途危險品姿態識別方法

摘" 要： 針對化學制品、火工品等危險品的在途安全狀態監控問題，文中提出一種基于邊緣計算的在途危險品姿態識別方法，旨在實時識別危險品在運輸過程中的行為姿態。該方法采用邊緣計算設備作為數據處理平臺，首先通過姿態傳感器實時抓取危險品在運輸過程的三軸運動數據；然后綜合滑動窗口技術與特征提取完成對數據流的處理，獲得在途危險品行為姿態樣本數據；最后，使用基于深度學習的CNN?BiLSTM?Attention分類模型完成對危險品行為姿態的識別。實驗結果證明，該方法得益于邊緣計算與深度學習的聯合優勢，能夠準確可靠地識別在途危險品的行為姿態，具有一定的實際應用價值。

關鍵詞： 邊緣計算； 在途危險品； 姿態傳感器； 滑動窗口技術； 特征提取； 深度學習

中圖分類號： TN911.7?34； TP393" " " " " " " " " " "文獻標識碼： A" " " " " " " " " 文章編號： 1004?373X（2025）07?0155?08

Edge computing based attitude recognition of dangerous goods in transit

ZHANG Wei， DENG Shijie， YU Guibo

（Shijiazhuang Campus， Army Engineering University of PLA， Shijiazhuang 050003， China）

Abstract： Aiming at the monitoring of the safety status of the in?transit dangerous goods， for example， chemicals and pyrotechnic products， an in?transit dangerous goods attitude recognition method based on edge calculating is proposed to recognize the behavioral attitude of these goods in real time. In the method， the edge computing devices are adopted as the data processing platform. Firstly， the three?axis motion data of dangerous goods in the process of transportation is captured by the attitude sensor in real time; then， the sliding window technology and feature extraction are integrated to complete the processing of the data flow， and the behavioral attitude sample data of dangerous goods in transit are obtained; finally， the classification model based on the deep learning CNN?BiLSTM?Attention is used to complete the recognition of behavioral attitude of dangerous goods. The experimental results show that the method can accurately and reliably recognize the behavioral postures of in?transit dangerous goods thanks to the joint advantages of edge computing and deep learning， so it has a certain practical application value.

Keywords： edge computing; in?transit dangerous goods; attitude sensor; sliding window technique; feature extraction; deep learning

0" 引" 言

隨著經濟回暖，危險貨物運輸量呈現逐年上升的態勢[1] 。全球危險品物流市場規模逐年擴大，其發展受到多種因素的影響，包括石油和天然氣行業的繁榮、環境法規的放松以及運輸危險品的需求逐年增加。此外，數字化在運輸運營中變得越來越重要，對危險貨物物流行業的發展也起到了推動作用。但在危險貨物運輸規模不斷增長的背后，運輸事故的頻率也在相應增加[2?3]。由我國近些年發生的相關事故統計信息顯示，大多數事故是由于危險貨物在運輸時發生碰撞或一定程度的震動導致的。危險貨物因其自身的特殊性，在受到沖擊或震動等外力因素時，不僅貨物自身損壞，影響使用功能[4?5]，更有可能發生泄漏有毒氣液體，甚至自燃引發爆炸[6] 。相對于普通貨物，危險貨物更應該在運輸中受到嚴密的監控，在出現異常情況及時提醒管理人員調整危險貨物固定情況或降低速度減緩震動幅度，最大限度避免發生意外情況[7] 。

近年來，在物流監控研究領域，對于物流過程中貨物自身形態監測的研究較少。文獻[8]提出了一種基于光纖傳感的多式聯運物流運輸位置監控系統，該系統利用圖像特征提取技術獲取目標圖像的紋理特征，完成對物流貨物運輸位置的監控，但該方法使用的圖像處理軟件程序復雜，對服務器算力有較高要求。文獻[9]將無線傳感器網絡（WSN）和地理信息系統（GIS）技術融合，可以實現實時、準確地獲取貨物的信息。貨物內的三軸加速度傳感器作為終端設備采集貨物的運動數據，通過最大相似的多特征識別算法實時解算貨物行為姿態，而GPS節點可以提供相應的地理信息，最終實現對貨物狀態的主動追蹤。但該方法數據傳輸主要依靠GSM網絡，在一些信號較差地域會造成較大的網絡延遲，影響識別效果。文獻[10]提出了一種基于六軸加速度傳感器的在途危險品行為姿態檢測方法，結合決策樹分類器，最終實現危險品行為姿態的檢測。目前，大多數相關領域的研究都將計算任務放到云上進行，通過實踐證明，這是一種行之有效的方式。但隨著終端數量的增加，云計算模式無法有效滿足大規模智能終端萬物互聯實時性所需的帶寬、計算算力和存儲要求[11] 。同時，在一些信號覆蓋較差的地域，數據傳輸的連續性以及實時性將會面臨巨大挑戰。考慮到利用云計算時可能發生的網絡延遲甚至中斷，會對管理人員判斷危險貨物狀態產生誤導，本文將引入邊緣計算消除這一影響[12]。邊緣計算是通過在靠近終端采集設備處部署具有計算、存儲和通信能力的計算單元，實現數據的就近處理[13]。采用邊緣計算設備作為數據處理平臺，數據將在本地進行處理而無需傳輸至中央服務器，有效地解決了網絡擁堵帶來的延遲問題，降低了傳輸成本，也保證了數據的隱私性及可靠性[14?15]。邊緣計算不僅可以用于提供算力，也可以實時記錄存儲危險貨物的運輸信息，在可能發生的事故情況中作為責任追溯劃分的有效手段。同時，邊緣計算近些年發展迅猛，相關計算設備的算力已有了質的飛躍，目前已經有較多搭載深度學習模型的邊緣設備應用于農業與工業產業中[16] ，為進行下一步研究打下了堅實的硬件基礎。

深度學習是機器學習的延伸，它擁有更為復雜的機構，在行為識別領域，深度學習識別準確率要高于早期人工定義特征的方法。它可以自學習樣本數據中存在的內在特征和表示層次，自動對數據進行篩選，提取高級特征，不需要進行格外復雜的設置，是未來發展的主流方向[17?18]。同時，深度學習在運動物體行為識別領域上已有了較多的研究成果。文獻[19]提出了一種分層深度長短時記憶神經網絡用于人體行為識別，并在UCI上三個公共人體行為數據集上進行驗證，取得了較好的識別效果。文獻[20]提出了一種深度卷積神經網絡用于識別人體姿態，通過實驗驗證，識別準確率優于以往的識別模型。文獻[21]使用融合雙向長短期記憶和卷積神經網絡的深度學習模型用于人類活動識別，并在UCI中三個基準數據集上驗證了實驗所提模型的優越性。危險貨物在運輸過程中的姿態單一，相較于運動物體動作更為簡單，深度學習模型應能夠完成危險貨物在運輸過程中的姿態識別任務。

綜合以上，本文設計了一種基于邊緣計算的危險貨物行為姿態識別方法，該方法響應速度快、工作效率高，有效地避免了以往在危險品監控方面過度依賴云計算的缺點，解決了因帶寬不足或信號問題出現的網絡延遲及數據中斷等問題。同時，使用融合注意力機制的卷積雙向長短期記憶神經網絡深度學習模型作為分類器，具有較高的分類識別效果，為管理人員判斷危險貨物在運輸過程中的狀態提供了現實依據。

1" 邊緣計算行為姿態定義及識別流程

1.1" 危險貨物行為姿態的分類與定義

結合對危險貨品在運輸途中可能發生的情況進行分析，其所處狀態分類如表1所示。

此外，危險貨物在受到外力作用時，往往會發生多個動作的重疊，例如發生撞擊情況下貨物會產生一定的位置移動，翻倒一般也是由撞擊導致的，同時翻倒后的貨物在恢復穩定過程中也會伴隨有晃動的產生。為了避免這一情況的發生，對危險行為的優先級進行排序，依次是平衡、移動、晃動、碰撞、翻滾。當危險貨物發生碰撞并發生翻滾時，優先判定為翻滾。

1.2" 姿態識別流程

本文提出的行為姿態識別方法如圖1所示。該方法的組織架構分為姿態傳感器、邊緣計算設備與工作站。

1） 姿態傳感器：獲取危險貨物的運動數據，并通過串口將數據傳遞至邊緣計算設備中。

2） 邊緣計算設備：該設備在行為識別過程中分為訓練和識別兩個流程。在訓練過程中，邊緣計算設備對數據進行特征提取，并將特征通過串口傳送至工作站用以訓練模型，待工作站內模型訓練完畢后傳回邊緣計算設備內；在識別過程中，邊緣計算設備將經過提取的特征輸入至分類模型中進行姿態識別，并將數據儲存至內存中。

3） 工作站：在訓練過程中，接收邊緣計算設備傳來的特征，并以此構建數據集。而后使用該數據集訓練分類模型，訓練完畢后發回邊緣計算設備用以完成危險貨物的行為識別。

2" 基于邊緣計算設備的數據預處理

危險貨物運動數據預處理包含數據劃分和特征提取兩個階段，本文將利用邊緣計算設備對原始數據進行處理。

2.1" 數據劃分階段

為了提升識別的準確率，使用滑動窗口技術將一個時刻的取值轉化為一段區間來對其姿態進行識別。在數據劃分階段，為了保證截取動作的完整性，選擇連續且重疊率為50%的128幀作為最小處理單元能夠擁有足夠的時間分辨率，進而可以更好地對危險品的姿態進行識別[22]。

2.2" 特征提取階段

數據被劃分后，需要對其最小區間進行特征提取。針對六軸運動數據，本文參照相關文獻經驗[23]，在時域、頻域上共計提取135維特征。時域特征上主要提取最大值、最小值、平均值、峰值、峰峰值、標準差、偏度、峭度、峰值因子等特征；頻域特征主要是將數據信號通過傅里葉變換提取頻譜能量、功率譜密度、頻域熵等。其中，平均值反映了物體運動變化的平均趨勢，峰值反映了物體運動強度的大小，峰峰值、方差和標準差反映了物體運動數值的波動程度，均方根值反映了物體運動的有效值，偏度反映了物體運動傾斜的方向和程度，絕對中位差反映了物體運動的穩定性，功率譜密度反映了物體運動數值在不同頻率上的分布情況，頻域熵反映了物體運動的不確定性等，具體信息如表2所示。

3" 基于邊緣計算設備的行為識別模型

3.1" 卷積神經網絡（CNN）

卷積神經網絡（Convolutional Neural Network， CNN）是一類包含卷積計算且具有深度結構的前饋神經網絡，因其出色的特征提取能力，在深度學習領域廣受歡迎、應用廣泛。它主要由卷積層、激活函數、池化層和全連接層組成[24] 。

卷積層是卷積神經網絡的關鍵，它通過卷積核對數據掃描進行卷積計算從而提取局部的特征[25]。激活函數則是幫助網絡學習數據中復雜的信息，它需要添加到每一個卷積層之后，可以使每一個卷積層的特征提取效果得到保留，常用的激活函數有Sigmoid、Tanh、ReLU、Leaky ReLU等。池化層實質上是對特征進行信息篩選，主要用于減少卷積層產生的特征維數。全連接層的作用是將特征整合，輸入分類器。CNN網絡結構如圖2所示。

3.2" 雙向長短期記憶神經網絡（BiLSTM）

循環神經網絡（Recurrent Neural Network， RNN）是一類專門用于處理序列性數據的神經網絡[26] 。但在將RNN應用于長序列數據時，會出現梯度消失或者爆炸的現象，使RNN無法在數據上構建起長期依賴的關系，喪失了較早時間數據的信息。為了能夠充分開發前后數據之間的關聯性，文獻[27]在RNN的基礎上提出了長短期記憶（Long Short?Term Memory， LSTM）神經網絡，它由記憶細胞、遺忘門、更新門及輸出門組成，通過調節參數，可以很好地避免產生梯度消失或爆炸的現象，使模型可以長時間的記憶信息，增強信息提取的全局性。LSTM網絡結構如圖3所示。

圖3中：[ft]代表遺忘門；[it]代表輸入門；[ot]代表輸出門；[xt]代表當前時刻的輸入；[ht-1]代表前一時刻隱藏狀態；[ht]代表隱藏的狀態；[ct-1]代表前一時刻的記憶單元；[ct]代表記憶單元；[gt]為候選記憶單元；[σ]表示Sigmoid激活函數；Tanh表示Tanh激活函數。各參數更新公式如下：

[ft=σ（Wf xt+Ufht-1+bf）] （1）

[it=σ （ Wi xt+Uiht-1+bi ）] （2）

[ot=σ （ Wo xt+Uoht-1+bo）] （3）

[ct=ftct-1+itgt] （4）

[ht=otTanh（ct）] （5）

[gt=Tanh （ Wc xt+Uc ht-1+bc ）] （6）

式中：[Wf]、[Wi]、[Wo]、[Wc]分別表示遺忘門、輸入門、輸出門、候選記憶單元的權重向量矩陣；[Uf]、[Ui]、[Uo]、[Uc]分別表示對應門及候選記憶單元的循環權重矩陣。

在危險貨物行為姿態識別過程中，其動作變化在時間線上是連續的，后一時刻的動作往往與前一時刻狀態緊密聯系，單一的LSTM無法通過感知后一時刻的狀態對當前狀態特征進行深度挖掘。為了能夠獲取雙向數據信息增強模型的可靠性，可以使用LSTM的一種拓展方式，即雙向長短期記憶（BiLSTM）神經網絡[28]。它開發時間序列中過去與未來的數據信息對當前的行為進行輔助判別，使得到的識別結果更加穩定可靠，有利于提高模型的識別精度和特征的挖掘率。

BiLSTM網絡結構如圖4所示。向正向、反向兩個方向分別輸入1個LSTM網絡，正序的輸出為[hf=h1f， h2f，…，hnf]，逆序的輸出為[hb=h1b， h 2 b ，… ， hn b]，得到結果后將其對應拼接為BiLSTM網絡的輸出[h=h1， h2，…，hn]。

3.3" 注意力（Attention）機制

近些年來，注意力機制[29]受到大家的廣泛好評，它通過比較輸入特征的各個部分，識別出與任務相關的重要部分，對不同特征根據匹配度進行權重的分配，允許模型有選擇性地專注于輸入的特定部分，而不是依賴于全局的表達，這樣可以增強模型對輸入特征的理解，有效提升深度學習模型的工作性能。Attention機制結構如圖5所示。

當有[n]維的特征輸入時，通過與目標的Query做相似度計算，得到對應的輸出值[S=S1，S2，…，Sn]，然后通過Softmax函數轉化為權重和為1的特征權重[a=a1，a2，…，an]，最后將輸入的特征逐個與特征權重相乘，得到注意力層的最終輸出結果。

3.4" 基于邊緣計算的CNN?BiLSTM?Attention模型

此次將在邊緣計算設備上搭建CNN?BiLSTM?Attention模型執行危險貨物行為識別任務。該模型基于上述介紹模塊的融合，利用CNN提取數據的高級特征，然后由BiLSTM雙向神經網絡學習數據特征與危險貨物行為類別分類的相關性，并感知貨物行為的時間依賴性。最后，通過注意力機制依據特征對目標的貢獻度賦予不同特征以不同的權重，并將特征輸入全連接層和輸出層，得出分類結果。如圖6所示，CNN?BiLSTM?Attention模型由輸入層、2層CNN層、平鋪層、BiLSTM層、注意力層、全連接層、輸出層組成。

CNN?BiLSTM?Attention模型網絡結構如表3所示。其中，第1層為輸入層，輸入的是行為數據，格式為[[h，w，c]]，其中[h]是高，[w]是寬，[c]是通道數。第2和第3層是CNN層，分別由一個二維卷積層、一個批量歸一化層、一個ReLU激活層及一個二維最大池化層構成，用來提取數據中的高級特征。第4層是平面化層，把輸入的多維數據壓縮為一維。第5層是BiLSTM層，用來學習特征與危險貨物行為之間的關聯性。第6層是注意力層，注意力機制負責對BiLSTM輸出的數據特征根據權重進行加權。第7層是全連接層，它將前層計算得到的特征空間映射到樣本標記空間，減少了特征位置對分類結果的影響，提高了網絡的魯棒性。第8層是輸出層，利用Softmax分類器將多個神經元的值映射到（0，1）區間內的一個值，并且他們的和為1。另外，為避免模型訓練過程中出現過擬合現象，使用自適應模型優化器Adam函數[30]訓練模型。

4" 實驗及結果分析

4.1" 實驗環境的設置

實驗環境由姿態傳感器、邊緣計算設備、工作站組成。姿態傳感器采用維特智能HWT6052?485高精度傳感器，它是基于MEMS技術的高性能三維運動姿態測量系統，包含三軸加速度計、三軸陀螺儀等運動傳感器，內部嵌套有姿態解算算法與卡爾曼濾波融合算法，可以實時提供三軸加速度、角速度以及姿態角數據。邊緣計算設備采用MangoTree MT?P812計算板，操作系統為Linux RT，編程方式為LabVIEW FPGA編程， FPGA型號為LX75，CPU型號為Inter Z8350 1.92 GB四核，2 GB運行內存。工作站采用的操作系統為Windows 10專業版，程序主要在Matlab上運行，CPU型號為Inter Xore Silver 4210R@ 2.40 GHz（×2），64 GB運行內存，GPU為NADIA GeForce RTX 3090 24 GB。設備間采用RS 485串口通信與USB相結合的方式傳輸數據。

本文采用簡化的實驗裝置模擬危險貨物在運輸過程中的行為，參考一般貨物的形狀為長方體，故該實驗使用長方體箱子作為載體，將姿態傳感器貼附于箱子表面，通過RS 485串口連接至邊緣計算設備，邊緣計算設備則通過USB接口連接至工作站。按照1.1節對于危險貨物行為的分類，充分模擬以獲取足夠多的數據，通過邊緣計算設備預處理后導入工作站訓練模型，模型訓練完畢后下發至邊緣計算設備用以識別后續行為。

將采集到的五類行為數據進行預處理，使用滑動窗口技術進行劃分，再使用特征提取算法對數據段提取特征，提取完成后，最后得到1 650組135維特征數據，樣本分布如表4所示。它被隨機分成兩組，其中70%被選中生成訓練數據，30%被選中生成測試數據，對算法模型進行測試。

4.2" 行為識別模型參數設置

為了獲取最優的識別效果，本文對模型中CNN層的卷積核個數以及BiLSTM層的隱藏神經元個數進行了大量實驗。最終確定當CNN層卷積核個數為32，隱藏神經元個數為64時，取得最高的準確率。

同時選擇卷積核大小均為（2，1）、步長為（1，1）、Padding選擇默認，池化層選擇最大池化方式，池化窗口為（2，1），步長為（1，1）。設置訓練Batch?size大小為30，Epoch設置為100，初始學習率設置為0.001。

4.3" 實驗結果分析

在本文中以分類識別的準確率、精確率、召回率和[F1]分數作為評價模型優劣的準則[31]。其中，準確率定義正確分類樣本個數占總體樣本數，它包含總體分類的準確率和各個類別分類的準確率，是精確度和召回率的調和平均值，精確度是指預測為正確的正類數據占正類數據的比例，召回率是指預測為正確的正類數據占實際為正類數據的比例。具體的計算過程如下：

[Accuracy=TP+TNTP+TN+FP+PN] （7）

[Precision=TPTP+FP] （8）

[Recall=TPTP+FN] （9）

[F1=2×Precision×RecallPrecision+Recall] （10）

模型在模擬實驗數據集上訓練過程的準確率與損失率曲線如圖7所示。從圖7可以看出，實驗所提模型可以快速收斂，有效地提高了算法訓練的效率，并且在訓練達到穩定后擁有較高的準確率。

深度學習領域，混淆矩陣被廣泛用來呈現算法的性能，它利用一種特定的矩陣來呈現算法性能的可視化效果[32]。混淆矩陣的格式為[N]×[N]（[N]表示行為類別數），左側為真實行為類別，底側為預測行為類別。每個方格上的百分數代表樣本占該類總樣本的百分比。圖中對角線上的數值代表分類正確的樣本個數，其余框中的數值代表分類錯誤的樣本個數。如圖8所示，該模型在采集的數據集上準確率達到99.80%，同時表明模型成功地對5個類別實現了準確的分類。

為了更好地展現CNN?BiLSTM?Attention模型在危險貨物行為識別分類效果的真實性能，將CNN、BiLSTM、CNN?Attention、BiLSTM?Attention和CNN?BiLSTM作為對照組。為了使數據結果更加具有說服性，對比模型的結構和參數設定與CNN?BiLSTM?Attention模型局部保持一致，以便更加客觀地評估其工作性能。表5顯示了各種深度模型在[F1]分數、平均召回率、平均精確率、準確率四項評判準則上獲得的分值。同時，結合評判準則，可以用直方圖來表征各分類模型的性能效果對比，可以清晰地看到CNN?BiLSTM?Attention模型在危險貨物行為識別分類上非常有效，它在所有模型中取得了最佳結果，如圖9所示。

CNN?BiLSTM?Attention模型在危險貨物行為識別過程中的出色表現可歸因于該模型對于時序信號擁有較好的解析率。其中，CNN模塊可以從數據中提取出更深層次的高級特征用于分析，BiLSTM模塊可以從雙向感知時序數據前后的因果關系，Attention模塊可以根據特征對分類的貢獻度賦予其不同的權重。

5" 結" 論

針對危險貨物實時狀態的監控問題，本文介紹了一種基于邊緣計算的危險貨物行為姿態識別方法，實現對危險貨物的狀態監測。本文在邊緣計算設備上對獲取的數據進行分割以及特征提取處理；其次，針對危險貨物的常見狀態進行了定義，以實現對其姿態具體的劃分；最后，采用CNN?BiLSTM?Attention模型完成對危險貨物行為姿態的識別。CNN?BiLSTM?Attention模型對于時序信號擁有較好的解析率，CNN模塊可以從數據中提取出更深層次的高級特征用于分析，BiLSTM模塊可以從雙向感知時序數據前后的因果關系，Attention模塊可以根據特征對分類的貢獻度賦予其不同的權重。實驗結果表明，該方法能夠對危險貨物行為姿態進行準確的判斷，并且得益于邊緣計算設備的應用，有效地保證了數據傳輸的實時性以及可靠性，對危險貨物的狀態監測具有一定的實際應用價值。

注：本文通訊作者為于貴波。

參考文獻

[1] 陳冉冉，徐佳力，李健.基于GPS數據的危險品運輸車輛行程鏈聚類研究[J].中國安全科學學報，2023，33（9）：157?163.

[2] LIU Y， FAN L S， LI X， et al. Trends of hazardous material accidents （HMAs） during highway transportation from 2013 to 2018 in China [J]. Journal of loss prevention in the process industries， 2020， 66（1）： 104150.

[3] STOJANOVIC N， BOSKOVIC B， PETROVIC M， et al. The impact of accidents during the transport of dangerous good， on people， the environment， and infrastructure and measures for their reduction： a review [J]. Environmental science and pollution research international， 2023， 30（12）： 32288?32300.

[4] 高珊珊.基于事故案例的危險品道路運輸干擾源分析[J].公路交通科技，2023，40（8）：163?169.

[5] BATARLIENE N. Essential safety factors for the transport of dangerous goods by road： A case study of Lithuania [J]. Sustaina?bility， 2020， 12（12）： 4954.

[6] MACHADO E R， DO VALLE R F， Jr， PISSARRA T C T， et al. Diagnosis on transport risk based on a combined assessment of road accidents and watershed vulnerability to spills of hazar?dous substances [J]. International journal of environmental research and public health， 2018， 15（9）： 2011.

[7] IZDEBSKI M， JACYNA?GODA I， GODA P. Minimisation of the probability of serious road accidents in the transport of dangerous goods [J]. Reliability engineering amp; system safety， 2022， 217： 108093.

[8] 雷明蘭，侯玲，陳廷兵.基于光纖傳感的多式聯運物流運輸位置監控系統[J].激光雜志，2023，44（10）：205?209.

[9] 孫玉硯，楊紅，劉卓華，等.基于無線傳感器網絡的智能物流跟蹤系統[J].計算機研究與發展，2011，48（z2）：343?349.

[10] 王紹丹，王宜懷，賈榮媛.基于加速度傳感器的在途危險品行為姿態檢測方法[J].計算機應用研究，2018，35（8）：2328?2331.

[11] 趙靜，余恒潔，林聰，等.基于邊緣計算的智能電網多源異構數據監測[J].信息技術，2023（9）：77?82.

[12] SATYANARAYANAN M. The emergence of edge computing [J]. Computer， 2017， 50（1）： 30?39.

[13] QIAN Y. Unmanned aerial vehicles and multi?access edge computing [J]. IEEE wireless communications， 2021， 28（5）： 2?3.

[14] DENG Y Q， CHEN X H， ZHU G Y， et al. Actions at the edge： Jointly optimizing the resources in multi?access edge computing [J]. IEEE wireless communications， 2022， 29（2）： 192?198.

[15] 游偉，王雪.人行為骨架特征識別邊緣計算方法研究[J].儀器儀表學報，2020，41（10）：156?164.

[16] 孫雅琳.基于邊緣計算的奶牛反芻行為實時監測研究[D].哈爾濱：東北農業大學，2023.

[17] GEBREEL A Y. An overview of machine learning， deep learning， and artificial intelligence [EB/OL]. [2023?02?13]. https：//ideas.repec.org/p/osf/osfxxx/7cuxz.html#download.

[18] WEI W Y， YANG W Z， ZUO E G， et al. Person re?identification based on deep learning： An overview [J]. Journal of visual communication amp; image representation， 2022， 82： 103418.

[19] WANG L K， LIU R Y. Human activity recognition based on wearable sensor using hierarchical deep LSTM networks [J]. Circuits systems and signal processing， 2020， 39（2）： 837?856.

[20] SENA J， SANTOS J B， CAETANO C A， et al. Human activity recognition based on smartphone and wearable sensors using multiscale DCNN ensemble [J]. Neurocomputing， 2021， 444： 226?243.

[21] CHALLA S K， KUMAR A， SEMWAL V B. A multibranch CNN?BiLSTM model for human activity recognition using wearable sensor data [J]. The visual computer， 2022， 38（12）： 4095?4109.

[22] ANGUITA D， GHIO A， ONETO L， et al. A public domain dataset for human activity recognition using smartphones [C]// 21st European Symposium on Artificial Neural Networks. [S.l.： s.n.]， 2013： 437?442.

[23] 柳月強.基于多傳感器數據融合的奶山羊行為分類研究[D].咸陽：西北農林科技大學，2020.

[24] SARKAR A， SABBIR HOSSAIN S K， SARKAR R. Human activity recognition from sensor data using spatial attention?aided CNN with genetic algorithm [J]. Neural computing amp; applications， 2023， 35（7）： 5165?5191.

[25] CHEGENI M K， RASHNO A， FADAEI S. Convolution?layer parameters optimization in convolutional neural networks [J]. Knowledge?based systems， 2023， 261： 110210.

[26] KOMPELLA A， KULKARNI R V. A semi?supervised recurrent neural network for video salient object detection [J]. Neural computing amp; applications， 2021， 33（6）： 2065?2083.

[27] HOCHREITER S， SCHMIDHUBER J. Long short?term memory [J]. Neural computation， 1997， 9（8）： 1735?1780.

[28] GRAVES A， SCHMIDHUBER J. Framewise phoneme classification with bidirectional LSTM and other neural network architectures [J]. Neural networks， 2005， 18（5/6）： 602?610.

[29] BAHDANAU D， CHO K， BENGIO Y. Neural machine translation by jointly learning to align and translate [EB/OL]. [2014?09?01]. https：//arxiv.org/abs/1409.0473？context=stat.ML.

[30] KINGMA D P， BA J. Adam： A method for stochastic optimization [EB/OL]. [2019?07?25]. http：//arxiv.org/abs/1412.6980.

[31] MIM T R， AMATULLAH M， AFREEN S， et al. GRU?INC： An inception?attention based approach using GRU for human activity recognition [J]. Expert systems with applications， 2023， 216： 119419.

[32] VALERO?CARRERAS D， ALCARAZ J， LANDETE M. Comparing two SVM models through different metrics based on the confusion matrix [J]. Computers amp; operations research， 2023， 152： 106131.

作者簡介：張" 偉（1995—），男，江蘇銅山人，碩士研究生，助理工程師，研究方向為模式識別、人工智能。

鄧士杰（1983—），男，河北辛集人，博士研究生，講師，研究方向為模式識別、人工智能。

于貴波（1973—），男，河北石家莊人，碩士研究生，副教授，碩士生導師，研究方向為模式識別、人工智能。

收稿日期：2024?05?24" " " " " "修回日期：2024?06?17