利用轻量化深度学习模型和加速度信号的枪击识别方法

针对不同类型的枪击加速度信号,采用深度学习的方法,提出一种新的兼顾精度和轻量化的时间序列(ENT)模型进行研究.该架构核心由注意力倒置残差模块与倒置残差模块组成,能够自动提取枪击加速度信号特征,对不同输入时间尺度更具鲁棒性.在识别精确率方面达到97.42%,超越传统枪击识别算法,在公开枪击数据集上与SVM、决策树、随机森林3种传统机器学习模型,以及FCN、ResNet、Inceptiontime、Xceptiontime等4种时间序列深度学习模型对比.实验结果表明:ENT模型更加高效,识别精确率更高.