一种下肢运动意图识别算法性能实时测评系统* .txt

摘要：对腿部运动意图识别算法的实时性能进行综合可靠的评价是实现下肢假肢灵活稳定控制的前提。提出一种逐层分级的基于下肢运动意图识别算法的实时测评方法，对算法的可靠性、稳定性以及运动意图识别速度进行综合评价。利用开发的运动意图识别算法评测系统，对基于肌电信号源和机械信号源的两种运动意图识别算法进行了实时性能测试，发现肌电信号源的算法识别时间大于机械信号源算法，但是其算法稳定性优于机械信号源算法。进一步地，还利用该评测系统有效地区分出正常识别策略与异常识别策略，发现正常策略的动作识别稳定系数比异常策略高25%左右。因此，所提的基于下肢运动意图识别算法的实时测评方法，能够对不同信号源算法以及不同识别策略的实时性能进行有效评价，为智能下肢假肢控制系统开发提供可供参考的测试平台。 .txt     

基于等参数线的B样条曲面类型识别方法

针对自由曲面难以分类的问题,提出一种基于等参数线的B样条曲面类型识别方法。利用平面二次曲线存在直角坐标变换下的不变量以及平面三次曲线的拟合识别平面等参数线类型,对于拟合为平面三次及以上的曲线,通过添加拐点数量来细分曲线类型。对于U向和V向等参数线族之一为平面曲线族的空间等参数线族,提出以平面等参数线族的空间位置关系确定柱面曲线的母线方向和回转面曲线的回转轴线,将空间曲线识别为柱面曲线和回转面曲线,通过最小二乘法将还不能识别的空间等参数线进行圆柱(锥)面拟合。以共面、共平行平面、同轴、共垂直平面、共交点、点在线上、共交线、共相切圆柱面和空间一般关系定义等参数线族的内部几何位置关系,以公共交点、公共方向矢量、公共轴线和空间一般关系定义等参数线族之间的几何位置关系,并进一步提出等参数线族的排序、修正和编码方法,通过等参数线结构码实现B样条曲面的类型识别。最后给出了典型编码曲面的实例,通过实例验证了所提方法的有效性。     

基于深度卷积神经网络的γ光子图像分类识别研究

通过对正电子探测成像技术获得的γ光子图像进行分类识别,有利于后续有针对性地快速获取图像所包含的有效信息。在MatConvNet上利用迁移学习的方法搭建深度卷积神经网络,通过对其参数的调整进一步提高网络分类识别的性能。为了验证网络性能,设计了10组不同形状的管材模型,利用仿真得到的扫描时间为1s的γ光子图像样本集对网络进行训练后,将其应用于扫描时间为0.1 s的γ光子图像样本进行分类识别,发现分类准确率在图像质量偏差、扫描时间为0.1 s的γ光子图像样本上仍然达到了94.72%。可见所搭建的深度卷积神经网络对γ光子图像具有很好的分类识别性能。     

视频侦查中人像智能分析应用及算法优化

人像智能分析指的是对视频或录像中的人像进行结构化和可视化分析,对目标人物进行性别、年龄、发型等特征的智能识别,这项技术在视频侦查中有极高的应用价值。人像识别早期的算法是通过人工提取特征,通过学习低级视觉特征来针对不同属性进行分类学习,这种基于传统方法的模型表现常常不尽如人意。在计算机视觉领域,通过海量图像数据学习的神经网络比传统方法有更丰富的信息量和特征可以被提取。文章尝试通过深度学习技术训练神经网络模型对行人进行检测和识别,对于衣着不同的行人进行智能识别,具有更好的鲁棒性,提升了视频人像识别的准确率,拓展了人工智能技术在身份识别领域的应用。     

自适应连续集稀疏分解声音识别算法

为实现公共环境复杂背景中异常声信号识别以辅助公共场所安全监控,提出基于连续完备集的自适应MP稀疏分解声音识别算法,算法通过相关参数改进实现自适应PSO算法,然后借助PSO算法的连续空间搜索优势对MP稀疏分解进行连续集优化,从而提高稀疏分解获得的最优原子的匹配度,最后提取重构声信号的时频参数特征以SVM算法实现异常声音事件的快速准确识别。实验结果表明,与已有算法相比,所提识别算法显著降低了计算量,并取得了最优的声音识别率和识别鲁棒性。     

非线性悬架系统的最小二乘参数识别方法

针对汽车非线性悬架参数识别问题,根据最小二乘法原理,分别提出了基于离散化模型的参数识别方法和基于系统输入输出数据的参数识别方法。首先,从理论上介绍了两种识别方法的理论基础及其与最小二乘法之间的内在联系。其次,分别应用两种方法对汽车非线性悬架系统的线性及非线性参数进行识别,并通过仿真验证了两种基于最小二乘法的非线性系统参数识别方法的有效性。最后,进一步介绍了对于更一般的非线性系统,两种方法的适用范围,为非线性悬架系统及同类非线性系统的设计与分析提供了理论基础。     

YOLOv2在煤岩智能识别与定位中的应用研究

综采工作面煤层走向复杂，采用“一刀切”的开采方法会加速滚轮截齿的磨损，同时开采效率也大幅降低，对煤岩的精准识别是解决此类问题、实现智能开采的关键。将基于回归方程的深度学习目标检测算法YOLOv2与线性成像模型相结合并通过该算法对井下采集煤岩图像进行了智能识别与定位，同时与Faster R-CNN，SSD对煤岩图像的识别结果进行了对比。结果显示YOLOv2对煤岩的识别精度达到了78%，检测速度达到了63 frame/s，与Faster R-CNN，SSD相比精度高出7.7%，4.7%，而检测速度高出763%，40%；在矿井测量坐标系中YOLOv2标定的煤层边界框角点的计算坐标与实测坐标相比相对误差在3.0%～4.5%之间，相对误差较小，不会对采煤效率产生影响。研究结果表明，YOLOv2可以对煤岩进行准确快速的识别。     

基于改进K-Means聚类和误差反馈的数据清洗方法

综合能源数据的采集与分析是构建综合能源系统的基础和前提，由于数据采集过程中存在系统故障、线路检修等随机因素的制约，其数据常存在异常和缺失情况。为解决上述问题，提出了基于改进K-Means聚类和误差反馈的数据清洗方法，对异常数据进行识别和插补。将异常数据分为不符合用能业务特性的坏数据和缺失数据两类。针对坏数据问题，提出了基于改进K-Means聚类的异常数据识别方法，其中采用Davies-Bouldin（DB）指标解决聚类数K的选取问题；针对缺失数据问题，提出了基于误差反馈的异常数据组合式插补方法。为验证所提方法的有效性，从某园区5个用户4个月的用电数据中选取40组数据，前20组作为样本集以确定插补权重，后20组作为验证集进行验证与对比，结果表明，所提方法具有更高的稳定性与可靠性。