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。     

基于注意力机制的CNN人脸表情识别

人脸表情识别在人机交互、情感计算等计算机视觉领域具有十分重要的应用前景.针对人脸表情识别的复杂性、多样性、遮挡性、光照等方面的挑战,提出了一种新的端到端网路,并将注意力力机制应用于表情自动识别.新的网络体系结构由特征提取模块、注意力模块、重构模块和分类模块四部分组成.通过LBP特征提取图像纹理信息,捕捉人脸的微小运动,...     

基于3D-Attention与多尺度的矿井人员行为识别算法

为了解决现有行为识别模型在矿井环境下识别率低,对矿井下环境的适应性较弱,不具备适用性的问题,提出基于3D-Attention与多尺度(CSAD)的矿井人员行为识别算法。针对国内外现有矿工行为数据集较为匮乏的问题,自建矿工行为数据集;其次,针对煤矿井下视频动态变化的问题,提出3D多尺度卷积模块,通过学习不同尺度的特征,提升模型的泛化性,增强模型对不同煤矿环境的适应性;考虑到模型在煤矿井下环境中识别率较低的问题,提出改进的A3D-Net注意力模块,使模型更加专注于识别区域的特征提取,进而提升模型的准确率。实验结果表明,在公共数据集UCF101、KTH上进行实验,提出的CSAD模型准确率分别达到89.9%、92.7%,在自建矿工行为数据集上进行试验,模型准确率达到74.98%,在使用视频增强预处理后,准确率达到了76.42%。     

融合注意力的轻量级行为识别网络研究

针对传统的三维卷积神经网络存在参数量多、信息冗余和时序信息提取不充分3个问题,提出了一种融合注意力的轻量级行为识别网络。首先,为轻量化网络参数和融合短中长时序信息,提出了高效残差块来替代两个级联的3×3×3卷积;其次,对通道注意力进行拓展,提出了时间注意力机制,并将两者嵌入在网络中抑制冗余信息对识别结果的影响;最后,在UCF101数据集上进行实验验证该网络的有效性。结果表明,提出的行为识别网络计算成本为8.9 GFlops,参数量为18.0 M,识别准确率为94.8%,与其他行为识别方法相比,以低成本的计算量实现了较高的识别准确率。     

基于CNN的配电网接地故障识别

对配电网不同类型接地故障的准确识别有助于提高配电网供电可靠性。鉴于配电网发生接地故障时,故障信息微弱且分类器挖掘故障特征能力有限,提出了时分频分方法提取故障特征,基于卷积神经网络(CNN)实现不同接地故障分类。对仿真实验结果的分析表明,相较于传统机器学习方法SVM、KNN、DT,所提方法的评估指标结果更优。     

基于Bi-LSTMA-CNNA的线上评论情感分析模型

基于深度学习的文本情感分析是目前自然语言处理研究的重要方向,在卷积神经网络、双向长短期记忆网络的基础上提出一种性能优于前面两种算法的情感分析算法.改进后的情感分析算法结合传统的深度学习结构,将双向长短期记忆网络、卷积神经网络以及注意力机制相结合,其中双向长短期记忆网络与注意力机制相结合的部分主要用来提取全局特征,并对目...     

基于CNN-BiGRU的高压直流输电线路故障识别

针对高压直流(high voltage direct current, HVDC)输电线路故障暂态行波具有时序性和强非线性的特点,导致高过渡电阻情况下故障识别率低的问题,提出基于卷积神经网络(convolutional neural networks, CNN)和双向循环门单元(bidirectional gate recurrent unit, BiGRU)的HVDC输电线路故障识别方法。首先,采用故障后整流侧的双极暂态电流行波作为特征向量,利用CNN提取全局特征,并从中剔除噪声和不稳定成分,完成对数据的降维处理。然后,采用BiGRU来捕获CNN提取到特征的前后时间信息,进一步提取数据中的时序特征,以实现HVDC输电线路故障识别。仿真结果表明：该方法可在不同故障地点以及不同过渡电阻下对单极接地、双极短路、雷击故障、雷击干扰共四种故障实现准确识别,可靠性高,具有较强的耐受过渡电阻能力,同时具备一定的抗噪性能。     

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%。     

基于分割注意力的特征融合CNN-Bi-LSTM人体行为识别算法

针对传统人体行为识别算法不能有效抑制空间背景信息,网络间缺乏信息交互,以及无法对全局时间相关性进行建模的问题,提出一种基于分割注意力的特征融合卷积神经网络-双向长短时记忆网络(CNN-Bi-LSTM)人体行为识别算法。首先以一定采样率采样30帧图像,通过分割注意力网络提取图像的深度特征,并引入特征融合机制增强不同卷积层间的信息交互;然后将深度特征输入到Bi-LSTM网络对人体动作的长时时间信息建模,最后使用Softmax分类器对识别结果进行分类。相较于传统双流卷积网络,该算法在UCF101和HMDB51数据集上的准确率分别提高了6.6%和10.2%,有效提高了识别准确率。     

基于CNN BLSTM网络的轴承性能退化预测

轴承作为旋转机械设备的重要部件之一,利用监测数据对其开展性能退化评估及剩余寿命预测,对于提高设备可靠性、降低维修成本至关重要.针对传统数据驱动方法在特征提取中过度依赖先验知识和专家经验,未能有效利用时间序列数据中的中长期依赖关系进行建模等问题,提出了一种基于卷积神经网络(CNN)和双向长短期记忆(BLSTM)网络的端到...     

基于改进卷积双向门控循环网络的轴承故障诊断

针对传统深度学习方法没有充分利用轴承信号的时序特点,以及难以处理动态数据的问题,提出一种基于改进卷积双向门控循环神经网络的轴承故障智能诊断方法.采用卷积神经网络从输入信号中提取代表性特征,引人双向门控循环神经网络挖掘故障数据在时间维度上的语义信息,通过注意力机制自适应地对特征图通道赋予不同权值,从而实现高精度的轴承故障...     

基于LSTM神经网络的风电场集电线路单相接地智能测距

为解决风电场多分支、混合短线路中难以查找故障点的问题,提出一种基于长短期记忆(LSTM)神经网络的风电场集电线路单相接地智能故障测距方法.首先,读取集电线路首端测量装置的电气量信息.其次,采用全相位快速傅里叶变换(apFFT)相位差校正法构建了风电场单相接地短路时的故障特征集合.然后,归一化风电场集电线路的故障数据,并...     

基于卷积-长短期记忆网络的电能质量扰动分类

为了提高电能质量扰动分类准确率,针对扰动信号时序性的特点,采用了基于卷积-长短期记忆网络的电能质量扰动分类方法。首先,将扰动信号进行采样作为输入。然后,通过卷积神经网络(CNN)提取特征数据,再对提取到的特征数据以序列的形式作为长短期记忆网络(LSTM)的输入,对特征数据进行筛选更新。最后,再对输出的特征数据进行学习分类。仿真结果显示,该方法对电能质量扰动信号的平均分类准确率为99.6%,优于单一的CNN法和单一的LSTM法。     

基于卷积神经网络的高压电缆局部放电模式识别

由高压电缆不同类型缺陷诱发的局部放电(PD)的识别难度较大,尤其是某些相似度较高的电缆绝缘缺陷类型难以区分。提出了一种基于卷积神经网络(CNN)的高压电缆PD模式识别方法,研究了不同网络层数、不同激活函数以及不同池化方式对识别效果的影响,并与传统的支持向量机(SVM)和反向传播神经网络(BPNN)算法进行了对比。结果表明,相比SVM和BPNN,CNN的总体识别精度分别提高了3.71%和4.06%,且能较好地识别具有高相似度的电缆缺陷类型。     

面向电力智能交互式场景的意图识别算法

为建立更高效的电力智能交互式平台,需要更准确地识别参与人的交互意图.针对目前使用的基于简单关键词匹配的意图识别方法准确率较低的问题,提出一种基于压缩时延神经网络(compressed Time Delay Neural Net-work,cTDNN)与卷积神经网络(Convolutional Neural Networ...     

基于注意力机制的卷积神经网络指针式仪表图像读数识别方法

目前关于指针式仪表图像读数识别的研究大多建立在指针线段检测的基础上,然而该方法流程较多、读数识别效率低.并且仪表图像校准、指针线段拟合等中间过程积累的误差容易使指针倾角偏离真实值.因此从另一角度对基于图像特征映射仪表读数的方法进行了研究,该方法的优势是流程短、效率高.首先构建了融合卷积注意力模块的双路异构卷积神经网络,...     

采用长短期记忆深度学习模型的工业负荷短期预测方法

工业负荷不同于其他电力负荷, 受气温、时间、人口等外部因素的影响较小, 其功率需求主要由相关企业的生产计划来决定。在电力市场环境下, 准确的负荷预测有助于工业用户更好地制定电力交易策略, 从而增加收益。在此背景下, 基于改进的长短期记忆（long short term memory, LSTM）深度学习网络模型, 提出了一种工业负荷短期预测算法。首先,在网络层次上构建层数更多即网络层次更深的LSTM深度学习负荷预测模型。接着, 在每个LSTM单元构成的隐含层中, 采用Dropout技术对神经元进行随机概率失活, 并通过正则化有效避免深度学习过拟合问题并改善了模型性能。然后, 采用真实的工业用户历史负荷数据对所提算法进行测试, 并与已有的短期负荷预测算法进行对比, 包括自回归滑动平均模型 （auto-regressive and moving average model, ARMA）, 最邻近回归算法 （K nearest neighbor regression, KNN） 以及支持向量回归算法 （support vector regression, SVR）。仿真结果表明, 所提深度学习工业负荷短期预测算法相比于一些现有方法, 其预测准确度有明显提升,预测结果的平均绝对百分误差（mean absolute percentage error, MAPE）在9%以下。     

基于一维卷积神经网络多任务学习的电能质量扰动识别方法

传统电能质量识别需要先用信号处理技术提取信号特征,且已有的多分类和多标签分类建模方式没有很好地反映多重扰动和单扰动之间的标签关联性,使得复合扰动分类的鲁棒性和抗噪性能不理想。针对这些问题,提出了一种基于多任务学习的一维卷积神经网络模型来识别各种电能质量扰动。此结构去除了传统方法的信号特征提取阶段,将扰动分类任务分成四个子任务,设计了相应的标签编码方案,最后输出一个10维标签向量完成多任务分类。仿真结果表明,该方法在不同信噪比时均具有较好的识别准确率,表明此模型具有较强的鲁棒性和抗噪声能力。同时,多任务分类相比One-hot多分类和多标签分类准确率更高,表明了该建模方式的有效性。