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。     

基于深度残差网络的轻量级指静脉识别算法

提出一种基于深度残差网络的轻量级指静脉识别算法。首先,以ResNet34为基础,使用深度可分离卷积代替传统卷积,加入SE(Squeeze and Excitation)注意力机制模块来提取手指静脉空间域上的细节特征,并引入宽度缩放因子,进一步压缩网络;其次,在训练中引入教师-学生网络模式,对轻量级深度残差网络进行知识蒸馏训练,并使用知识蒸馏损失、CurricularFace和交叉熵损失对网络进行联合监督,解决了轻量级深度残差网络因学习参数量较少引起的性能下降问题。分别在FV-USM数据集、Lab-Normal数据集和Lab-Special数据集上进行仿真实验,结果表明,同基于轻量级网络MobileFaceNet的识别算法相比,提出的算法有效提高了零误识识别率和Top1排序性能。     

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.     

智能手机传感器的人体行为识别技术

从传感器选择、特征提取、行为识别等3个方面对基于机器学习的人体行为识别技术进行分析,对比各类算法的优势和不足。总结对比常用公开数据集,并展望人体行为识别技术在案件现场的应用,最后讨论了人体行为识别发展的难点和新方向。     

面向二代身份证的图文识别

现有的身份证验证多依赖人工参与,也有一些自动验证身份证的系统,但这些系统主要针对身份证号码的识别．针对现有识别系统的局限,使用基于滑动窗口搜索的身份证提取方法和基于连通区域分析的人脸图像提取方法,设计了二代身份证图文识别的算法框架,并通过实验验证了算法的有效性．     

基于GA的负相关剪切集成不平衡行为分类研究

基于传感器的人类活动识别(HAR)在健康医疗领域具有重要的研究价值及研究意义。以往的关于传感器人类活动分类识别算法的研究,并没有考虑不同类别行为数据间的不平衡性。为了解决不同行为类别数据间的不平衡性影响算法精确度的问题,此算法采用下采样方法从大类和小类数据集中随机抽取选出若干组数量上相等的两种数据的集合,将多个不平衡数据变成平衡数据。其次,多个平衡数据集上训练多个弱分类器。然后,此算法以弱分类器的负相关和预测精度为代价函数,使用遗传算法挑选出能够使代价函数值最高的弱分类器来构成集成分类器。使集成算法内的弱学习器具有较高预测精度和多样性。最后,此算法使用挑选出的弱学习器构成集成学习器对人的行为进行集成分类。此算法在已有的行为数据集上进行了仿真实验研究,实验结果证明本文提出的基于遗传的负相关剪切集成不平衡行为识别算法相对于传统算法能够有效提高不平衡行为识别的正确率。     

深度神经网络在滚动轴承故障诊断中的应用

为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征信息,最后利用深度残差网络的强大学习能力,进一步提取初级特征信息中的高级特征信息,并识别设备的故障类型,从而实现滚动轴承的故障诊断.为了验证所提出方法的有效性,使用滚动轴承实验数据对方法进行了测试,同时与基于深度卷积神经网络和单传感器故障诊断模型进行对比,研究结果表明,提出的智能方法不仅能对故障进行准确识别,而且具有相当良好的泛化能力和抗噪能力,其故障精度达到了100%,在单传感器或多传感器受到强噪声干扰时,分别实现诊断精度至少为93.78%和82.54%.     

基于残差连接卷积神经网络的图像超分辨率重构

针对基于卷积神经网络超分辨率重构算法中存在的感受野较小、梯度信息易丢失与网络收敛较慢等问题,提出了基于残差连接卷积神经网络的图像超分辨率重构算法。通过在低分辨率空间进行图像的超分辨率重构,减少了图像预处理过程,降低了网络复杂度。利用局部和全局残差连接,对卷积网络结构和亚像素采样层进行改进,局部残差促进了网络中信息的流动,全局残差使网络只学习图像残差信息,减少了网络冗余。通过增加网络深度扩大了感受野,使网络学习到更多的重建信息。实验结果表明:本文算法的PSNR和SSIM值相较于其他算法有不同程度的提升。     

基于多维时间序列的数控机床状态预测方法研究

针对数控机床状态数据的多样性、时序性,机床状态难以预测等问题,提出了一种基于多维时间序列的数控机床状态预测方法。首先,基于OPC（OLE for Process Control）技术进行机床状态数据采集,采用Min-max标准化和自回归移动平均模型对数据进行预处理,构建多维时间序列矩阵,建立机床状态的度量模型和评价函数,采用特征向量、特征趋势距离标示状态模型,利用差异度对状态模型进行对比衡量。其次,利用滑动时间窗口技术表征机床未来状态,以时间窗口长度l和滑动时长w获取机床历史状态集合,提出基于窗口滑动的多重匹配状态预测方法,利用β-耦合相似度量标准寻找与当前状态矩阵相似度最大的历史状态集合Xk,根据给定的相似性阈值确定最优滑动时长w和预测时长l,以Xk跟随状态Xk*的变换趋势和规律作为机床下一时刻的状态。针对噪声数据干扰问题,提出基于密度空间聚类算法的状态序列分析方法,通过引入欧几里得距离和缩小权重因子确定算法参数,求出表征机床某时刻状态的最佳状态矩阵。最后,以机床主轴四项参数为例进行数控机床状态预测实验,根据状态序列相似性分析结果确定了预测时长为24s,滑动单位为2s。预测结果表明,基于多重匹配的矩阵形式、向量形式的状态预测方法比传统的AR预测模型的各项误差都低,预测结果更加准确。     

基于极端随机树的火电厂再热器故障预警算法研究

针对火电厂锅炉再热器欠温问题存在的故障隐患,研究了随机森林、极端随机树和梯度提升决策树3种集成学习算法对再热蒸汽温度的预测效果。再通过预测值与真实值之间存在的残差,可以在一定程度上反映故障隐患信息。采用滑动窗口法精确计算预警阈值,分别对3种算法的预警效果进行了对比分析,确定了极端随机树与滑动窗口法相结合的预警模型初始报警时刻最早,预测效果最为准确。     

基于联合概率数据关联的车用多传感器目标跟踪融合算法

针对智能车辆前向多传感器多目标跟踪融合问题,提出一种基于改进的联合概率数据关联的车用多传感器跟踪融合算法。首先,根据车辆坐标系和各传感器坐标系的相对运动关系,对多传感器数据进行坐标变换,之后采用基于改进的联合概率数据关联的单传感器多目标跟踪算法、基于相关序贯关联法的多传感器关联算法和凸组合融合算法实现了对目标的稳定跟踪与准确融合。最终,通过装备毫米波雷达和摄像头的实验车在实际交通环境下进行实车试验,试验结果表明:目标被稳定跟踪且融合结果具有良好的精度,验证了算法的可行性和有效性。     

基于传感器人体行为识别深度学习模型的研究

随着智能手机的发展和普及,通过手机传感器收集数据,进行人体行为识别已经成为研究的 热点．采用深度学习中卷积神经网络作为分类模型,并对卷积神经网络进行参数和模型的修改,并 加入Ｄｒｏｐｏｕｔ用于解决过拟合问题,用智能手机收集到的数据对模型进行训练,以对人体行为进行 识别．通过和其他的算法进行对比实验,深度学习模型的测试结果良好,在精确度上有了较大的提 升．为基于加速度的行为识别提出了新的方法和思路,为复杂行为研究提供基础．实验所使用的数 据都是来自实验室收集,当采用真实数据时,可能效果会受一定的影响．     

基于累积残差贡献率的传感器故障定位方法

为准确定位结构健康监测系统中的故障传感器,提出了基于累积残差贡献率的传感器故障定位方法。基于主元分析的基本原理,将车辆荷载和地脉动激励下传感器采集的数据分为主元空间和残差空间,采用SPE统计量对故障进行识别。在此基础上,通过对残差贡献值的推导,提出了累积残差贡献率指标,改进了现有的残差贡献图,提高了故障定位的准确率,并将单传感器故障定位拓展到两个故障传感器的同时定位。数值模拟结果表明：主元分析法能准确识别出预设的4类常见传感器故障,累积残差贡献率不但能更好地定位单传感器故障,两传感器同时发生故障时也能准确定位。     

微光环境下基于R-CNN优化算法的交通道路图像识别

针对微光环境下交通图像的准确识别及道路安全驾驶问题,提出了基于R-CNN(Region-CNN)优化算法的交通图像识别方法.首先,对采集到的交通图像集进行预处理,包括图像尺寸的归一化和图像像素点畸变偏差的校正.其次,在提取每个候选区的图像数据特征时,利用RPN滑动窗口共享卷积层,提升大规模图像集的处理效率.最后,引入HOG算子描述交通图像的局部梯度特征,基于边界回归再次修正特征融合后的图像.数据仿真结果显示,采用此方法识别交通道路的准确率和效率高于传统识别算法,梯度损失值在可控范围之内,图像增强效果显著.     

基于多传感器信息融合的人体姿态解算算法

针对传统人体姿态解算算法中存在的稳定性差和解算精度低等问题,提出一种基于多传感器信息融合的姿态解算算法。利用四元数计算人体的姿态变化,将惯性测量模块的姿态测量值与观测值之间的偏差通过PI调节进行控制;采用互补滤波对多传感器数据进行融合,求取人体实时姿态。实验表明,该算法能够实现稳定地输出高精度姿态数据。     

基于热成像的动态多目标温度智能监测仪设计

为了满足小型室内场所人员体温自动监测的需求,设计一款低成本的动态多目标温度智能监测仪。 采用高分辨率微型热成像模块 Lepton 3.5 获取热红外图像,在 STM32H743 上搭载 TensorFlow Lite 深度学习框 架,监测热红外图像中的人体并标记其温度,重点基于“滑动窗口”技术设计新的人体识别算法,解决了由 于 MCU 算力不足导致的视频卡顿问题。实验结果表明,目标识别的准确率高达 99.7%,监测多个动态目标温 度时视频流畅。该温度监测仪体积小,成本低,监测目标多,适用于家庭、办公室和实验室等场所。     

面向航空发动机多传感器并行预测模型的设计与实现

为了准确预测航空发动机工作时传感器数据的变化趋势,有效监控航空发动机的工作状态,该文就发动机高压压气机转子转速、燃烧室燃油喷嘴压力、涡轮后温度等数个航空发动机主要传感器数据,使用滑动窗口算法截取子序列构建数据集并对其进行标准化。提出了一种基于Seq2Seq的面向航空发动机多传感器数据预测神经网络模型(AMSDPNN),并对该网络进行优化,最终实现了对航空发动机多传感器数据的预测。实验表明,相较于其他传统数据预测模型,该模型有着更好的预测效果,其均方误差值为0.1%,同时提前320 ms实现了对航空发动机传感器数据的预测。     

基于分组遗传算法的集成多样性增强及其应用

为了解决复杂工业过程的概念漂移问题,提高集成学习模型的泛化性能,基于分组遗传算法,提出一种用于提升基学习器间多样性的建模方法.该方法以在线极限学习机作为基学习器,根据基学习器在滑动窗口上的性能对其进行分组,并执行进化操作,同时引入基因流概念,增加了基学习器间的多样性,提高了集成算法在处理概念漂移数据流时的预测性能.最后使用合成数据集和真实数据集验证了所提算法的合理性与有效性.     

基于深度残差网络的皮肤癌黑色素瘤识别

作为皮肤癌黑色素瘤主要检查手段的皮肤镜图像存在显著性低、类内差异大和样本数据量少等问题,难以采用传统算法实现高准确的识别。深度学习算法引入皮肤癌症检测,提出了一种基于深度残差网络的黑色素瘤识别算法。该算法通过构建深度残差网络提取皮肤镜图像的高维特征,使用残差学习防止网络梯度退化、降低网络训练的难度,实现了黑色素瘤的有效识别。相关仿真实验结果表明:所提出的基于深度残差网络的黑色素瘤识别算法性能明显优于基于卷积神经网络传统的算法,具有更高的准确性、敏感性、特异性和鲁棒性。     

下肢运动学信息采集与步态识别系统研发

针对一种下肢柔性助力机器人，开发了一种基于航姿参考模块(attitude and heading reference system, AHRS)设计的人体下肢运动学信息采集系统.该系统的AHRS具有体积小、功耗低的特点，便于通过绑带与人体保持紧致连接，并且能够长时间穿戴，AHRS的设计融合了卡尔曼滤波算法(Kalman filter, KF)以提高数据的精度，多通道的数据通过ZigBee技术组建的无线传感器网络进行通信，并传输至上位机.然后，建立人体下肢运动学模型，推出AHRS测量角度和人体下肢姿态角度转换关系.同时，考虑在人体不同的步态活动下机器人助力的情况不同，设计了决策树分类器以对不同的步态活动进行识别分类，进一步地协助下肢柔性助力机器人对人体进行有效助力.在多种步态活动下，通过将该系统所采集的数据与Vicon系统采集的数据进行对比可知，该系统所采数据具有较高的精度，也验证了系统具有良好的稳定性及可靠性，另外利用大量的步态数据训练决策树分类器，并通过对未知步态活动进行的分类实验验证了步态识别的准确性.