基于低分辨率红外阵列传感器的人体身份和动作识别

本文针对人体身份及动作识别的问题,提出一种基于低分辨率红外阵列传感器并使用卷积神经网络进行分类识别的方法,这种方法可以识别出人的身份和跌倒、坐下以及行走动作。本文使用的卷积神经网络是基于VGGNet搭建的,由输入层、5层卷积层、3层池化层、1层全连接层和输出层构成,自动提取红外热图像中的信息特征,对身份及动作进行分类,在良好的隐私保护下避免了繁琐的人工提取特征。经过实验测试,卷积神经网络算法识别动作平均准确率为93.3%,其中行走识别准确率达到100%,坐下识别准确率为90%,跌倒识别准确率为90%,身份识别准确率为96.7%。     

多场景下的人体跌倒检测方法及应用

针对可穿戴MEMS传感器检测多场景下的人体摔倒行为时,单一采用加速度阈值判断存在表征不完全的问题,提出了改进麻雀搜索算法(ISSA)优化SVM(SVM)的人体跌倒检测识别方法。首先通过可穿戴MEMS传感器采集人体离散化姿态数据,然后通过时间滑动窗口找出加速度阈值与角速度阈值特征向量并进行一级判定;同时构建ISSA-SVM跌倒状态检测模型,即利用改进的麻雀搜索算法对SVM的核参数和惩罚因子进行自适应优化,获得最优分类模型;最后根据SVM分类模型,对一级判定的数据进行分析,判断是否真正跌倒。实验仿真和产品应用结果表明:对于人体在不同场景下意外跌倒的检测,所提出的ISSA-SVM识别检测模型测试正确率达98%以上,同时降低了漏报率。经过多次测试,跌倒检测器表现出较好的鲁棒性。     

基于MEMS传感器的体操动作识别

针对目前视觉动作识别方法中普遍存在的背景复杂、活动范围有限、个人隐私泄露等问题,设计了一套基于MEMS惯性传感器的体操动作识别系统。该系统主要通过构建传感器网络,采集人体进行体操运动时11个位置的加速度和角速度数据。基于预处理后的两类数据,计算样本均值、标准差、信息熵、均方误差等参数作为分类特征,建立支持向量机(SVM)分类模型,并对6种体操运动的动作进行了有效识别。实验结果表明,SVM算法较K-近邻、朴素贝叶斯、决策树等机器学习算法有更好的识别效果,平均识别率可达97%以上。     

基于动态RBF神经网络的模拟电路故障诊断

提出一种基于动态RBF神经网络的模拟电路故障诊断方法.该方法利用小波变换对故障信号进行预处理,提取特征向量建立故障字典,采用最近邻聚类算法构建动态RBF神经网络,利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.仿真结果表明该方法具有训练速度快,故障准确率高,容错能力强的特点.     

基于WiFi信号的老年人家居行为识别算法

针对老年人家居行为识别中的隐私保护、跌倒检测和识别率低的问题，本文提出了一种新的基于WiFi信号的人体行为识别算法。首先，在模拟家居环境中自主采集了10种老年人日常行为(喝水、跌倒、坐-躺下等);然后对提取到的WiFi信道状态信息用巴特沃斯滤波器降噪，并使用主成分分析方法数据降维；最后将处理后有清晰特征的CSI信号输入到基于注意力的双向长短时记忆模型用于行为分类，高效的双向结构和注意力机制不仅产生了信息更丰富的特征，还提高了行为识别的泛化性能。实验结果表明，与一些基准方法相比，本文算法在公共数据集和自主采集的数据集上都能实现对所有行为的最佳识别性能，准确率分别为98%和96%。     

基于机器学习的人体步态检测智能识别算法研究

为实现快速步态状态判断,以更好地对下肢外骨骼进行高精度的步态识别和控制,进行了基于可穿戴惯性测量装置检测人体姿态变化的算法研究。通过对人体下肢的跌倒、转弯、蹲坐与起立等非周期性步态变化活动进行测算试验,获得了受试者实验过程中身体角度、下肢关节角速度和加速度变化等数据,随后应用随机森林等4种机器学习经典分类算法对受试者进行了活动识别对比分析,结果表明,决策树监督学习算法相对于其他算法,能够快速、准确地检测并判断出人体非周期性变化中的多种活动状态,历次识别精度均可达到99%以上,为可穿戴智能装备的开发与应用提供理论基础。     

基于油中溶解气体分析数据挖掘的变压器绝缘故障诊断

充分利用粗糙集理论对知识的约简能力与模糊径向基函数(RBF)神经网络优良的分类诊断能力,基于粗糙集与RBF网络实现数据挖掘的电力变压器绝缘故障诊断。该方法一方面将粗糙集作为RBF神经网络的前置,对经离散化的样本集进行约简,形成精简的规则集,将高于一定可信度的挖掘规则用于电力变压器故障诊断;另一方面,将粗糙集挖掘的低于可信度要求的规则所对应的挖掘样本,作为模糊RBF神经网络的训练样本集,同时将粗糙集对这些样本的聚类结果作为模糊RBF神经网络的聚类因子,在此基础上构建改进的4层RBF神经网络,用来诊断不能用粗糙集挖掘的规则诊断的事例。经检验,系统具有较好的分类诊断能力。     

基于AGA优化RBF神经网络的矿井通风机故障诊断

针对径向基神经网络(RBF)用于故障诊断时存在收敛速度慢、诊断结果准确率低等问题,提出了一种基于自适应遗传算法(AGA)优化RBF神经网络的矿井通风机故障诊断方法.采用AGA对RBF神经网络的隐含层节点数、隐层基函数的中心和宽度进行优化,以此提高RBF网络的泛化能力.通过大量收集和整理工作形成样本集,使用训练样本训练RBF网络,根据网络输出结果对通风机故障进行诊断.仿真结果表明,相较于RBF神经网络,AGA优化的RBF神经网络收敛速度更快,迭代次数更少,能够有效识别通风机故障类型,诊断结果准确率更高.     

基于卷积神经网络的非侵入式负荷识别方法

针对非侵入式负荷识别中识别准确率不高的问题,提出基于卷积神经网络的非侵入式负荷识别方法。首先对电阻类负荷、电容类负荷、电感类负荷进行数学建模,并结合tracebase master数据集构建样本库;然后建立卷积神经网络模型,损失函数为交叉熵函数,优化算法采用自适应矩估计优化算法;最后对网络进行训练和测试。仿真结果表明,与循环神经网络等方法相比,本文的方法能够有效识别非侵入式负荷,并具有很好的抗噪性能,具有良好的应用前景。     

基于模糊RBF神经网络的高压断路器机构故障诊断

为了快速准确诊断高压断路器是否发生操作机构故障,文章提出了一种基于模糊RBF神经网络的高压断路器机构故障诊断方法。该方法首先分析高压断路器的分(合)闸线圈电流,提取时间和电流特征参数t_1、t_2、t_3、t_4、t_5、I_1、I_2、I_3,然后在RBF神经网络增加模糊化层,对特征参数进行相对模糊化运算,最后将模糊化后的特征参数输入到RBF神经网络进行故障识别、分类。该方法以ABB VD4高压断路器的88组实验数据为训练样本建立4种高压断路器操作机构的模糊RBF神经网络故障诊断模型,12组测试样本来验证其准确性,实验结果显示,模糊RBF神经网络高压断路器的故障诊断模型能够准确的诊断出故障类型,其准确率达到99%,具有良好的实用性。与基于模糊BP神经网络的故障诊断方法相比,该方法收敛速度快,训练时间短,均方差较小,为0.107 3。     

基于关节点数据的双人交互行为识别

近年来基于RGB视频的双人交互行为识别取得了重大进展,但RGB视频数据的问题严重影响双人交互行为识别率。随着深度传感器(如微软Kinect)的快速发展,为准确获取人体运动的关节点数据提供了可能,可以大大的弥补RGB视频数据的不足。提出一种基于关节点数据的双人交互行为识别方法。首先对关节点数据计算出HOJ3D特征和关节距离特征,并将特征按照时间顺序进行图形化后分别送入的卷积神经网络中,分别提取两种深层次特征并进行拼接,然后使用Softmax分类器进行分类识别。该方法在SBU Kinect动作数据集的测试结果表明,该方法的识别准确率得到了一定的提高,达到了94.4%。该方法实现简单,且具有实时处理的能力,具有较好的应用前景。     

基于背景减除和特征提取的跌倒识别方法

为了有效监测老年人是否跌倒,提出一种结合背景减除及人体边界的外部轮廓特征提取方法对人体动作行为进行识 别。 首先,利用背景减除法从视频中提取运动的对象,对提取的运动对象进行预处理;然后利用最小外接矩形和重心检测的方 法对运动目标进行特征提取,得到老人整体外部轮廓和重心位置等运动特征;最后根据人体不同姿态,建立运动模型,有效辨识 被监护对象的行走、跌倒等动作。 实验结果表明,提出的方法可对实际的视频进行有效处理,对人体行为识别的准确性能达 到 94. 3%。     

变压器不平衡样本故障诊断的过采样和代价敏感算法北大核心CSCD

基于神经网络的变压器故障诊断方法是评估变压器状态的重要方法,然而该方法在处理各状态类别间样本数量不平衡的数据集时,各类型状态识别效果差距较大,识别结果更多偏向多数类样本。文中基于过采样方法和代价敏感算法,针对最大不平衡度为266∶19的油色谱数据集,构建了一种用于变压器故障诊断的BPNN模型。首先,基于SMOTE算法对样本数据集进行有选择的扩充,该算法结合了近邻分析和线性插值的思想,减少了样本扩充所导致的模型训练的过拟合现象。然后,构建五层神经网络,并引入Focal Loss函数取代交叉熵函数作为本模型的代价损失函数,从而更关注于少数类样本的识别和区分。实验结果表明,文中模型相比于原始BPNN模型在总体准确率上提升了6.48%,各少数类样本类别的F1分数分别提高了25.7%、11.4%、3%、26.1%、1.8%、15.3%和33.3%,并且算法收敛更快。在和传统机器学习方法的对比中,文中模型比基于KNN算法和随机森林算法模型的整体准确率分别提高了16.53%和7.98%。     

改进D-S证据理论在变电站人体跌倒检测的应用

为了提高变电站人体跌倒检测准确率,提出了一种基于改进D-S证据理论的人体跌倒检测算法。利用垂直外接矩形和最小面积外接矩形对检测到的人体目标进行描述,分析目标区域的矩形宽高比、人体质心高度比和人体躯干倾斜角的人体目标特征变化。针对复杂人体姿态情况下存在的目标特征冲突问题,提出采用D-S证据理论对特征信息进行融合。通过自定义的广义三角模糊函数构造3种人体特征的基本概率指派函数,生成3种人体目标特征基本概率指派(basic probability assignment,BPA)。基于Murphy算法,提出一种双重加权平均证据源的改进算法,既可以融合各个独立证据的一致信息,也可以融合冲突信息。实验结果证明,该人体跌倒检测算法具有较高的跌倒识别准确率,可以合理的生成基本概率指派,有效地融合冲突证据,能够满足变电站人员安全监控的需要。     

基于RBF神经网络的高压断路器机构故障诊断

为诊断高压断路器操作机构故障,分析高压断路器机构故障时的分合闸线圈电流,本文通过提取时间和电流特征参数,对故障特征参数进行相对归一化处理后输入RBF神经网络,建立基于果蝇—粒子群混合算法的高压断路器RBF神经网络模型,用于高压断路器操作机构故障识别.以MATLAB为实验平台,通过训练样本和测试样本的仿真分析,得出RBF神经网络的输出结果与期望输出一致,实验验证该方法能有效实现高压断路器机构故障诊断,且诊断速度快、准确率高,具有较为广阔的应用前景.     

基于生成对抗网络的隔离开关分合位置判别方法研究及应用

针对隔离开关状态需要双确认的问题,提出一种基于深度卷积生成对抗网络(DCGAN)的开关状态图像识别方法。该方法首先建立对抗学习模型,提取隔离开关样本特征,确定初始参数值;然后基于识别误差率最小的目标函数,采用反向传播算法更新模型层间连接权值;最后通过网络逐层计算得到隔离开关分合位置判别结果。以某地区变电站内的隔离开关图像为例进行测试,结果表明该方法对大规模图像样本具有较高的辨识准确率。     

久坐人群无器械训练动作识别与计数算法研究

针对久坐人群长期缺乏运动导致身体呈现亚健康状态和现有训练方法缺乏监督性的现状,提出一种人体动作识别与计数方法实现4种无器械训练动作精准识别与计数。以手机摄像头捕获训练者的视频信息作为输入,通过BlazePose网络模型处理得到的人体骨骼点数据经过数据滤波处理、特征提取后,利用3种常见的机器学习算法进行动作分类,将分类的结果结合骨骼信息,采用检测波峰波谷计数算法统计训练动作的完成次数。实验结果表明,采用GBDT算法得出动作识别率为96.5%,计数算法准确率为98.9%,具有良好的实际应用价值。     

基于支持向量机的规则零件检测技术研究

基于机器视觉的零件检测系统由于具有非接触、实时性强、速度快等优点广泛应用于各种工业生产中,提出了一种基于边缘跟踪的零件缺陷边缘智能检测算法,很好的检测到了完整的缺陷边缘,为特征提取提供了高质量的缺陷边缘参数。采用基于支持向量机的分类识别算法,避免了神经网络算法中需要多样本和过度拟合的问题,通过对比分析选择合适于本系统的核函数,并运用基于交叉验证和网格搜索的参数选择方法找到核函数的最佳参数,采用一对一的投票策略进行分类训练和测试,最后对采集到的缺陷零件样本进行了分类测试实验,达到预定的较高的检测精度。     

深度运动图耦合正则化表示的行为识别算法

为了提高图像行为的识别精度,使其能够准确判别行为识别中的微小变化以及遮挡问题,提出了基于深度运动图(depth motion maps,DMM)与正则化协同表示的行为识别算法。首先,将深度图像序列投射到3个正交平面上,得到了3个方向的投射图。对于不同的投射图,通过测量两个连续映射之间的绝对差值来表示运动能量,并将所有深度图像序列中运动能量进行叠加,获得了3个方向的深度运动图。随后,根据这些投射图,DMM能从多个方向获取更多具有判别力的运动信息。再引入Hough变换(Hough transform,HT)算子,提取DMM中3个方向的HT特征,并其进行归一化融合,获取DMM-HT特征。最后,引入Tikhonov正则化计算系数向量,构建正则化协同表示分类器,对每个位置样本的分类标签完成深度行为分类学习,实现人体行为的准确识别。实验数据表明,与当前行为识别技术相比,算法具有更强的鲁棒性,能完成各种行为的识别,在遮挡、噪声等干扰条件下具有更高的识别精度。所提算法能够较好地适应复杂环境下的人体动作准确识别,在智能家居、视频监测、人机交互等领域具有良好的参考价值。     

基于多标签RBF神经网络的电能质量复合扰动分类方法

在径向基(RBF)神经网络和C-均值聚类算法的基础上,提出一种适用于电能质量复合扰动分类的多标签排位分类算法—多标签径向基函数法(ML-RBF)。首先,对常见的电能质量扰动及其组合而成的复合扰动进行离散小波分解,提取各层分解系数的规范能量熵作为特征向量;然后采用C-均值聚类算法将所得的特征向量映射为RBF神经网络的输入;最后通过RBF神经网络对该电能质量复合扰动类型进行预测。仿真实验结果表明,在不同的噪声条件下,ML-RBF可以有效分类识别电能质量复合扰动。