计及行为特征的市场化用户电量数据拟合方法

针对市场化用户用电行为复杂多变、电量数据的规律难以精确表征的问题,提出考虑行为特征的市场化用户电量数据拟合方法。采用K-means聚类算法对用户用电行为进行分类,明确各类用户的典型特征;构建基于正交多项式的电量数据拟合神经网络模型,其中神经网络权值系数采用梯度下降算法进行训练,正交多项式分别采用Chebyshev多项式、Hermite多项式、Legendre多项式及Laguerre多项式进行对比分析;采用山东省济南市用户电量数据进行仿真分析,对不同类别的用户分别采用基于4种不同正交多项式的实现方法进行电量数据拟合和评价指标计算,总结具有不同行为特征的用户最适宜的拟合方法。仿真结果表明,同类用户在不同的实现方法下电量数据拟合效果差异明显,基于Hermite多项式及Laguerre多项式的神经网络模型拟合精度相对较高,但不同类别用户电量数据拟合精度最高的多项式模型有所不同。根据用电行为类型选择相应正交多项式构成神经网络拟合模型,是实现用户电量数据精确拟合的有效途径。     

地形高程自适应的星载InSAR图像配准方法

星载干涉合成孔径雷达在基线较长或观测场景内地形复杂度较高时,地形高程对主辅图像间配准偏移量的影响不可忽略,利用二维二元低阶多项式模型拟合配准偏移量的精度较低,当利用控制点处配准偏移量估计多项式系数时,控制点数量和位置分布对估计精度的影响较大．针对上述问题,提出了地形高程自适应的降维图像配准方法．为了追踪主辅图像间配准偏移量随地形高程的变化,提高配准偏移量的拟合精度,提出了包含地形高程项的二维三元一阶多项式模型．利用主辅图像的成像参数和轨道数据计算多项式一次项系数,将需要利用控制点处配准偏移量估计的系数减少为两个常数项系数,提高了估计的稳健性．实测数据处理结果验证了该方法的精确性和稳健性．     

一种基于局部线性嵌入的SVM增量学习方法

由于SVM对高维数据分类的耗时较长,计算复杂度较高,而PCA-SVM对高维数据分类的准确率相对较低,提出了利用LLE-ISVM方法对高维数据降维后采用SVM方法进行分类,利用LLE降维对新增样本进行约减后,淘汰新增样本中的非支持向量用于简化运算,实现了基于局部线性嵌入(LLE)的SVM增量学习过程(LLE-ISVM)。并将该算法用于MNIST数据库和瓷片表面缺陷检测分类过程。实验结果表明:该算法对高维数据的运算速度与精度都有所提高,能实现完整增量学习过程,较为准确快速地实现磁片表面的缺陷检测分类过程。     

室内场景下人体行为异常检测方法研究

基于图像的人体异常行为检测方法,当人数增多、遮挡等情况发生时,人体行为数据信息可靠性较低,检测精度不高、自适应性差,本文提出一种基于姿态特征的异常行为检测方法解决上述问题.利用成熟的人体姿态识别技术提取视频中人体关节点数据,将关节点坐标转化为人体行为的角度特征和距离特征以表达人体姿态;应用机器学习方法对关节特征进行分析...     

基于李代数的人体手臂惯性动作捕捉算法

为了实现实时人体手臂动作捕捉,提出了一种利用惯性传感器实现人体手臂动作捕捉的方法.利用惯性测量单元(IMU)解算出的四元数信息,得到手臂腕部、肘部和肩部关节点的位置.将惯性数据通过蓝牙无线通信方法传到上位机.采用具有毫米级动作捕捉精度的OptiTrack光学动作捕捉设备,得到人体手臂的位置数据,并将其作为基准位置数据.将IMU坐标系下解算出的位置信息变换到OptiTrack坐标系下进行对比.结果表明,该方法适用于自由活动环境下的动作跟踪,具有较高的动作捕捉精度.     

虚拟服装动态展示中的模特走秀动作模拟

随着网络的普及和虚拟现实技术的发展,服装虚拟展示技术将被广泛用于服装展示、服装电子商务等领域,模特走秀动作的模拟成为研究课题之一.本文通过对现实模特走秀动作的分析与研究,利用运动学的正向运动学和反向运动学理论控制骨骼运动,运用蒙皮绑定技术实现了对模特走秀的模拟,丰富了计算机技术在服装动态展示和服装销售的应用,对丰富服装的设计手段与营销手段起到了一定的促进作用.     

基于线性加速度的多节点人体行为识别

针对当前基于加速度人体行为识别方法中存在的行为数据易受重力加速度影响以及空间信息欠缺等问题,提出一种基于线性加速度的多节点人体行为识别算法。通过分段双向去除重力加速度算法,去除传感器加速度中的重力加速度得到线性加速度;使用滑动均值滤波器滤除线性加速度与传感器加速度的颤抖运动,并对两种加速度中的冗余动作进行裁剪;分别从两种加速度中提取不同关节点数据间的动态时间规整算法(dynamic time warping, DTW)距离特征以及7种常规时域特征;利用支持向量机对人体行为进行分类。试验结果表明,该方法能有效提高人体行为识别的准确性。     

基于卷积神经网络的人体动作识别方法

针对较小数据集识别时的过拟合和误差传递问题,提出了一种基于卷积神经网络的常见人体动作识别方法.该方法首先利用经典雷达信号处理方法对人体动作回波进行预处理,生成人体动作的时频图像;然后构建卷积神经网络(CNN),并以时频图作为CNN输入数据对网络参数进行训练;最后利用网络公开数据集对所提方法进行了实验验证.实验结果表明,构建的CNN能够准确识别4类不同的人体动作,准确率不低于97%.     

基于PC环境的DICOM医学图像体绘制

针对DICOM医学图像特点,提出了一种基于PC环境的医学图像体绘制方法。该方法通过从DICOM文件中获取图像的相关信息确定三维体数据模型,对该体数据首先进行降维,再对降维后的体数据进行分类,将前景体素分离出来;进而对前景体素先采用最近邻插值,而后采用三次线性插值的体绘制方法进行显示。实验结果表明,该方法能够在PC上实现医学图像的实时体绘制。     

拟合下肢几何特征的多视角步态周期检测

针对现有步态周期检测方法易受拍摄视角变化影响的问题,提出了一种拟合下肢几何特征的多视角步态周期检测方法。首先,利用MediaPipe模型提取步态视频序列中的人体姿态拓扑图,简化了图像预处理过程。然后,通过分析行走状态下人体下肢姿态拓扑图中各关节点间存在的周期性动态变化规律,将左小腿与水平地面构成的倾角以及中髋点（mid-hip）到左、右脚踝的欧氏距离比值作为特征进行提取。最后,采用傅里叶变换将特征数据拟合为正弦函数,并基于拟合结果进行步态周期检测。相比于当前主流的步态周期检测方法,本文方法在正、背面视角以及斜视角下都取得了较好的检测结果。     

基于AR动态图像的人体动作识别方法

传统算法在三维影像转化为二维数据的程序运算过程中错误率较高,故提出了基于AR动态图像的人体动作识别技术.对AR动态图像中的人体动作图像进行预处理,通过摄影设备采集人体数据信息,以此构建人体特征三维模型,并标记此模型中的各节点,通过AR技术使三维人体模型做出不同动作,同时进行三维动态跟踪识别,将这些动作所涉及的数据记录下来,以此实现人体动作识别.设计实验进行验证并与传统方法进行对比,证明所提方法能够实现人体动作识别,充分体现了 AR动态图像算法的优越性.     

基于主成分分析和分类回归树的客户欠费预测

针对电信数据维度增加导致的客户欠费预测算法复杂度过高的问题,提出基于主成分分析和分类回归树的电信客户欠费预测算法。该算法将原始电信数据进行数据缺失值处理、数据冗余识别和数据结构化后,进行数据规范化建模,利用主成分分析算法对建模后的电信数据进行降维处理,将降维后的数据作为分类回归树算法的输入数据对客户是否欠费进行分类,预测客户是否将存在欠费行为。利用实际电信数据进行验证,结果表明该算法的预测错误率为4.49%,预测耗时为17.05s,与分类回归树算法相比,在能够预测客户欠费的同时,还能提高预测效率。     

神经网络非线性估计在浆计量仪中的应用

给出了一种基于人工神经网络的传感器非线线估计新方法。该方法用幂级数多项式拟合传感器的非线性模型，多项式的系数可由神经网络学习算法得到。当环境条件发生变化时，只要给出几组数量数据时，对该方法可自动重新训练网络，获得新的多项式系数，实现传感器的在线标定。     

增强骨骼动画运动细节的关键帧插值方法

为了增强人体骨骼运动细节的表达,提出了基于关键帧分类的虚拟人运动插值方法.此方法以人体骨骼间夹角为动作特征,在运动捕获数据的关键帧基础上,将关键帧集合根据其运动特性的不同划分为3类:普通关键帧、变速关键帧、摆动关键帧.在插值阶段依据关键帧类型分别采用线性插值、二次多项式插值和三次多项式插值计算中间帧,最终获得反应运动细节的关键帧动画.实验结果表明,该方法能在最终合成的人体动画中较好地模拟手臂摆动和变速运动的运动效果.     

数据驱动的自寻阶最小二乘法及其在电机中的应用

为解决电机性能测试中某些性能曲线阶次难以确定,无法进行在线最佳阶次拟合的问题,本研究证明了转速-转矩曲线的泰勒多项式逼近,提出了一种基于数据驱动的自寻阶最小二乘算法,并应用于Visual Studio平台开发的电机测试系统中。该算法基于电机测试中采集的电参数数据,利用随机梯度算法,对要拟合的电机性能多项式曲线的参数进行逐次逼近,通过阶次评价函数选择出最佳阶次,从而实现在线最优拟合。经现场验证表明:该算法拟合速度快,能够给出最佳逼近模型,达到在线最佳阶次拟合的要求。     

面向人体尺寸测量系统的点云孔洞修补方法

基于三维人体点云的尺寸提取是非接触式人体尺寸测量的重要方法之一。但是由于人体自身遮挡以及扫描死角等问题,扫描人体所得点云往往存在大量孔洞。为此,该文提出了一种面向人体尺寸测量系统的点云孔洞修补方法。该方法首先调整人体点云位置,然后采用映射法分割人体点云取横截面,接着确定横截面轮廓上孔洞位置,最后通过基于最小二乘的二次曲线拟合修补点云数据。实验结果表明,利用该算法拟合得到的人体点云横截面尺寸与直接对模特手工测量得到的尺寸基本一致,对尺寸测量数据的比较得出误差小于3%。     

函数型Logistic回归模型研究与应用

作为一种新型高维数据,函数型数据重在研究数据的内在本质而不是外在结构,通过非参数方法将数据拟合为函数型数据以捕捉更多信息.针对响应变量为二分类情形,建立贝叶斯框架下的函数型Logistic回归模型,引入适当的先验信息并利用MCMC算法获得参数的条件后验分布.具体解决流程为:选取由数据驱动的主成分基函数对回归系数函数和回归函数型自变量进行展开,对展开项数进行截断,利用主成分基函数的正交性,将高维数据进行低维表示;再利用Polya-Gamma变换,建立易于获得参数后验的Gibbs抽样算法,从而得到回归函数展开项系数的后验分布.蒙特卡洛模拟结果显示,该方法具有较好的分类性能.将该方法应用于Tecator实际数据,发现其分类效果优于别的方法.     

球面干涉检测中改进的调整误差校正方法

根据球面干涉检测中待测球面调整误差的高阶近似模型,提出新的基于泽尼克多项式拟合的球面调整误差校正方法.该方法根据测得原始面形数据的泽尼克多项式系数以及待测面数值孔径,得到调整误差所引入的低阶和高阶像差量,实现高精度球面调整误差校正.通过Zygo干涉仪及大数值孔径待测球面对提出的校正方法进行实验验证,校正精度达到了均方根值近0.001λ、峰谷值0.011λ.实验结果表明,该方法可以实现很高的球面调整误差校正,无需了解实际调整误差量,便于自动化处理,可以降低检测装置中对待测面调节机构精度的要求.     

基于谱聚类的多维数据集异常数据检测方法

针对多维数据集异常数据检测过程中未对多维数据集进行降维处理,导致多维数据集中异常数据检测精度较低、误检率较高、检测时间较长的问题,提出一种基于谱聚类的多维数据集异常数据检测方法。首先,通过拉普拉斯矩阵对多维数据集中的数据进行聚类,初步分类数据;其次,采用局部线性嵌入（LLE）算法对分类后的数据进行降维处理,用特征向量表达高维数据集,去除多维数据集中的冗余信息;最后,将处理后的多维数据集输入到支持向量机模型中,根据回归估计值的计算,完成异常数据的检测。实验结果表明,本文算法进行多维数据集中异常数据检测的精度更高、误检率更低,检测时间较短。     

半监督系数选择法的人脸识别

针对人脸识别过程中图像数据维数过高以及需要大量类别标记的问题,提出一种半监督离散余弦变换系数选择法,用以实现数据降维并提高识别率.该算法首先将图像数据进行离散余弦变换,根据频率特征通过预掩模选取有用信息;然后进行半监督约束聚类,利用少量有标记样本的约束集,对训练图像进行聚类;根据类别搜索较高的判别系数值,获得系数选择掩模以及训练图像的投影阵.将测试图像离散余弦变换阵在此掩模上投影,计算其与训练图像投影阵距离,利用分类器进行分类.在ORL与Yale人脸数据库上的实验结果表明:所提方法的性能优于传统方法,并与主成分分析与线性判别分析进行组合,获得了90％以上的识别率.