基于MDTW的飞行动作识别算法

科学评估飞行训练质量,对提高飞行员的飞行驾驶技术以及保障飞行安全具有重要意义。动作识别是飞行评估的一项基本内容,许多评估内容都是建立在获取动作序列的基础上的。在动态时间规整（DTW）的基础上提出了一种多元动态时间规整算法（MDTW）,通过多维融合的方法进行多元时间序列相似性运算。经实际应用验证,该算法有效提升了传统DTW动作识别的效率和准确性。     

噪声鲁棒的动态时间规整算法

动态时间规整（DTW）算法通过寻找两个时间序列的最佳匹配衡量序列之间的相似性。针对序列中存在的噪声容易导致时间序列匹配时局部出现过度拉伸和压缩问题,提出了一种噪声鲁棒的动态时间规整（NoiseDTW）算法。首先,在原始的信号中引入额外噪声,解决序列对齐中存在的一个点对齐多个点的问题;然后,通过在两个时间序列之间多条可能的匹配路径中找到一条最优的匹配路径,减少噪声的随机性对时间序列相似性度量的影响;最后,将匹配路径映射到原始序列上。实验结果表明,相较于欧氏距离（ED）、DTW、Sakoe-Chiba窗口动态时间规整（Sakoe-Chiba DTW）和加权动态时间规整（WDTW）算法,所提算法结合K-近邻（KNN）分类器得到的分类准确率在8个时间序列数据集上分别比次优算法提高了1～15个百分点。可见所提算法具有较好的分类性能,且对噪声具有鲁棒性。     

结合形状特征及其上下文的多维DTW

传统动态时间规整算法（Dynamic Time Warping,DTW）及其变种算法被广泛应用于多维时间序列的相似性分析,但它们通常只关注单个时间点的信息而忽略了上下文信息,从而很可能匹配两个形状完全不同的点。因此提出一种结合形状特征及其上下文的多维DTW算法（Multi-Dimensional Contextual Dynamic Time Warping,MDC-DTW）。该算法首先计算多维时间序列的一阶梯度,然后对其进行采样处理,并以多维梯度矩阵表示当前时间点的形状信息及其上下文信息,最后利用DTW求解多维时间序列间的最短匹配路径。为检测算法设计的合理性,对算法进行了定性分析和定量分析,实验结果表明MDC-DTW算法设计是合理的;为检测MDC-DTW的性能,选用5个多维时间序列数据集,并与4个优异的多维DTW算法进行对比实验,实验结果表明MDC-DTW具有较高的准确率和运行效率。     

基于DTW算法的肌电信号手势识别方法

为了提高肌电信号手势识别算法的准确度,增强实时性,提出了一种基于动态时间规整（DTW）算法的手势识别方法,该方法利用肌电信号（EMG）对个体间的手势进行识别。首先,采用滑动平均能量的方法对原始的EMG信号进行数据分割,探测有效动作;其次,对于分割的数据段使用平均绝对值（MAV）来提取信号特征;最后,用DTW算法将8维的EMG信号融合并计算测试样本和模版的相似度,其中采用了DTW算法寻找规整路径的方法进行了模板制作,实现了个体间的手势识别。实验结果表明,使用DTW算法对肌电信号进行手势识别,其动作识别的准确率达到96.09%,该方法计算速度快,实时性强。     

基于GD-Kmeans和菲涅尔理论的WiFi手势识别方法

针对手势动作幅度较小难以被WiFi所感知到问题,利用菲涅尔衍射理论对最佳动作捕获位置进行推理以增强感知。针对在实际应用过程中需要判断手势何时发生的问题,提出基于高斯分布-Kmeans聚类的GD-Kmeans手势定位算法。在采集到包含手势的信道状态信息（CSI）数据后,使用低通滤波和DWT滤波进行数据降噪,通过定位算法对手势进行定位切出,最终基于动态时间规整（DTW）进行模板匹配实现对五种手势的判别,其准确率达到了93%。     

风电机组齿轮箱的多变量时间序列故障预警

针对风电机组故障预警中，原始动态时间规整（DTW）算法无法有效度量风电机组多变量时间序列数据之间距离的问题，提出一种基于犹豫模糊集的动态时间规整（HFS-DTW）算法。该算法是原始DTW算法的一种扩展算法，可对单变量和多变量时间序列数据进行距离度量，且精度与速度较原始DTW算法更优。以子时间序列相似度距离为目标函数，使用帝国竞争算法（ICA）优化了HFS-DTW算法中的子序列长度和步距参数。算例研究表明与仅DTW算法和非参数最优的HFS-DTW算法相对比，参数最优的HFS-DTW可挖掘更多的多维特征点信息，输出的多维特征点相似序列具有更丰富细节；且基于所提算法可提前10天预警风电机组齿轮箱故障。     

基于注视兴趣区域聚类和转移的群体扫视路径生成

为解决自然场景下群体观察者扫视路径数据冗余繁乱、缺乏表征的问题,通过挖掘个体路径的潜在特性,提出了一种基于注视兴趣区域（ROI）时空聚类和转移的群体扫视路径生成方法。首先,分析同一刺激样本下多名观察者的扫视路径,利用亲和力传播聚类算法来聚类注视点以生成多个注视兴趣区域;其次,统计分析兴趣区域的观察者数量、注视频率以及注视时长等与注视强度相关的信息并筛选兴趣区域;然后,通过定义兴趣区域中的注视行为提取不同类型的兴趣子区域;最后,提出了基于注视优先度的兴趣区域和兴趣子区域转移模式,从而生成自然场景下的群体扫视路径。在MIT1003和OSIE公共数据集上进行群体扫视路径生成实验,结果表明,与目前先进的eMine、扫视路径趋势分析（STA）、序列模式挖掘算法（SPAM）、基于候选约束的动态时间规整质心平均方法（CDBA）和Heuristic方法相比,所提方法生成的群体扫视路径获得了较高的整体相似度,ScanMatch （w/o duration）分别可达0.426和0.467,ScanMatch（w/duration）分别可达0.404和0.439。可见该所生成的扫视路径与真实扫视路径的整体相似度较高,具有一定表征作用。     

基于复合神经网络的学习风格动态分析与研究

近年随着慕课（MOOC）等新兴教育教学手段的快速发展,大量的学习者学习行为可以被系统所记录和分析,从而为个性化教学奠定了重要基础。在Felder-Silverman学习风格模型的理论基础上,通过引入智能分析算法动态地分析和识别学习者学习风格,构建了一套融合了卷积神经网络和循环神经网络的“识别-推理”复合模型,通过学习者的线上学习行为、社区交互行为、学习内容浏览行为、点击拖动行为等学习过程识别其学习行为特征,并使用基于门控循环单元（Gated Recurrent Unit,GRU）的循环神经网络处理和预测其可能的学习风格及对学习内容形式的偏好,以更高效地为学习者提供适应于其学习风格的学习内容和路径,优化学习体验,为大规模、个性化和高质量的下一代学习平台提供技术支撑。     

改进DTW算法的心电信号相似性度量

针对时间序列相似性度量中动态时间规整（DTW）算法在序列时间轴偏移较大时易产生病态路径及匹配不准确的问题,根据心电信号自身的特性,提出一种基于心电信号最显著特征的优先匹配法。为减小算法时间复杂度,根据心电信号R波特征点位置自适应地划分弯曲路径的约束窗口。与传统算法比较,在提高准确率的同时,运行时间大幅降低。     

基于门控递归神经网络的电网日峰值负荷预测

日峰值负荷作为非线性、非平稳且波动的时间序列,难以准确预测。提出了一种结合动态时间规整（DTW）的门控递归神经网络（GRNN）用于准确预测日峰值负荷。利用DTW距离用于匹配最相似的负荷曲线,可以捕捉负荷变化趋势。采用热编码方案对离散变量进行编码,扩展其特征从而表征对负荷曲线的影响。提出了一种基于DTW的门控递归单元（DTW-GRU）算法用于日峰值负荷预测,并在欧洲智能技术网络（EUNITE）数据集上进行了测试。仿真结果表明,与其他算法相比,该算法的MAPE仅为1.01%。     

基于深度学习的眼动跟踪数据融合算法

针对传统数据融合算法在多场景下的眼动跟踪数据融合效果较差的问题,提出一种新的基于深度学习的眼动跟踪数据融合算法,即Eye-CNN-BLSTM算法。该算法在原始眼动跟踪数据空间位置信息基础上添加新的人工特征;将卷积神经网络（Convolutional Neural Network,CNN）与双向长短时记忆网络（Bi-directional Long Short-Term Memory,BLSTM）结合,设计了新的融合结构。实验结果表明,与六种经典数据融合算法相比,该算法在OTB-100数据集上融合性能更优。     

Gabor小波优化HMM算法的眼部疲劳状态识别

远程教育的网络学习者在学习过程中由于长期缺少情感互动容易导致学习疲劳,而学习疲劳状态往往通过眼部状态表现出来,为了对远程智能教学系统进行有效的监控,提出了一种基于Gabor小波和HMM的学习疲劳眼部状态识别算法。该算法针对网络学习者的正常学习、疲劳和疑惑三种学习状态下的眼睛张开程度有一定的区别的特点,在YCbCr颜色空间用拉普拉斯算子对眼部图像进行灰度差的处理,选择二维Gabor核函数,构造48个最优滤波器,获取48个特征值,这48个特征值生成48个特征向量,用HMM对眼部状态图像的特征向量形成的一组观测序列[O]进行眼部状态识别。实验结果表明,该算法对网络学习的疲劳度识别率达到95.68%,具有良好的鲁棒性。     

智能监控前端系统中异常声音检测的实现

针对智能监控前端系统中异常声音检测的高实时性和高准确率要求,提出一种基于混合特征参数和改进动态时间弯折(DTW)算法的异常声音检测方案。通过短时幅度和过动态门限率判决声音端点,提取包括短时幅度、美尔倒谱系数和差分系数在内的混合特征参数,采用改进的DTW算法进行声音识别。在TI TMS320DM368处理器平台上的实验结果表明,基于该方案的智能监控前端系统对异常声音的识别时间小于1 s,准确率达到89.3%。     

基于自适应搜索窗口的序列相似比对算法

DTW（Dynamic Time Warping）算法被广泛应用于序列数据比对,以度量序列间距离,但算法较高的时间复杂度限制了其在长序列比对上的应用。提出基于自适应搜索窗口的序列相似比对算法（ADTW）,算法利用分段聚集平均（Piecewise Aggregate Approximation,PAA）策略进行序列抽样得到低精度序列,然后计算低精度序列下的比对路径,并根据低精度距离矩阵上的梯度变化预测路径偏差,限制路径搜索窗口的拓展范围;随后算法逐步提高序列精度,并在搜索窗口内修正路径、计算新的搜索窗口,最终,实现DTW距离和相似比对路径的快速求解。对比FastDTW,ADTW算法在同等度量准确率下提高计算效率约20%,其时间复杂度为[O(n)]。     

免聚类粒子PHD滤波多目标状态提取方法

概率假设密度粒子滤波（P-PHD）以粒子集形式反映目标的状态信息,是一种有效的多目标跟踪方法,其关键步骤是从粒子集中准确提取多目标状态信息。提出一种免聚类概率假设密度粒子滤波多目标状态提取方法,通过分解P-PHD迭代更新过程,筛选疑似真实目标量测类别,并重新分配粒子集,根据新粒子集直接提取目标状态,可避免粒子中心聚类和粒子峰值提取过程。仿真结果表明该方法具有较高状态提取精度。     

基于局部线性嵌入算法的汉语数字语音识别

语音信号转换到频域后维数较高,流行学习方法可以自主发现高维数据中潜在低维结构的规律性,提出采用流形学习的方法对高维数据降维来进行汉语数字语音识别。采用流形学习中的局部线性嵌入算法提取语音频域上高维数据的低维流形结构特征,再将低维数据输入动态时间规整识别器进行识别。仿真实验结果表明,采用局部线性嵌入算法的汉语数字语音识别相较于常用声学特征MFCC维数要少,识别率提高了1.2%,有效提高了识别速度。     

基于传感器聚类数据挖掘的物联网智慧医疗模型设计

现代智慧医疗需要操作简洁、反应迅速,能够提供智慧诊断的信息化平台,提出基于物联网无线传感器技术的智慧医疗模型。系统利用附着在患者身上的各类传感器采集到的生理信息数据,采用基于密度的带有噪声的空间聚类(DBSCAN)算法的数据分析方法,用非线性映射把患者的生理信息数据转换到高纬度的特征空间,对变换后的矢量数据进行聚类分析,从而提升聚类结果并有效辅助医务人员进行诊断。     

引入特征重检的抗遮挡目标跟踪方法研究

针对视觉目标跟踪的遮挡问题,在TLD算法的基础上,引入特征重检环节,解决发生遮挡时因目标外观相似、背景聚类造成错判,提出了一种基于特征重检的抗遮挡目标跟踪研究方法(TLD-D),采用跟踪、检测、学习、再检测的策略。跟踪与检测相结合,对锁定的目标进行学习,获取目标最新的外观特征;当发生遮挡时,则启用特征重检环节,提取遮挡过程的"开始发生遮挡"和"遮挡结束"两个关键帧,然后在特征重检环节选用SIFT特征进行双向匹配标定目标,确保重新标定的目标为原被遮挡的跟踪目标,即"再检测"。OTB基准集上实验结果表明,与TLD算法、同类TLD改进算法以及其他经典跟踪算法相比较,TLD-D算法抗遮挡能力更强,鲁棒性更强,能够对目标长时间稳定跟踪。