基于车载传感信息融合的电动汽车驾驶行为辨识

本文的主要目的是基于信息融合的方法设计出一套能准确辨识出驾驶行为的系统.本系统使用六轴加速度计采集加速度信息,通过多尺度多重分形(MMA)算法(首次将该算法用作特征提取的方法)从加速度信号中提取出可反映不同驾驶行为的波动特征.并采集电动汽车的OBD接口获取的包括速度、功率、电流等车载OBD信息并提取特征.分别通过随机森林(RF)算法对驾驶员的驾驶行为进行辨识.提出一种新的信息融合的方法,采用该方法对加速度信息和OBD信息进行融合,发现信息融合的方法可以更有效的辨识出电动汽车的驾驶行为.     

3D CNNs与LSTMs在行为识别中的组合及其应用

基于机器视觉的人体运动识别在视频监控、虚拟现实、医疗护理等诸多领域发挥着重要的作用.结合深度学习中的三维卷积神经网络和长短期记忆神经网络,提出一种融合模型,并与另外两种行为识别模型——长效递归卷积网络和时空域卷积网络,进行了对比,利用公开的KTH数据集,进行了实验测试.实验表明,提出的融合模型与长效递归卷积网络和时空域卷积网络相比,对于人体行为图像或视频数据集的学习效果明显,论证了模型的泛化性能和鲁棒性.     

基于改进K-means算法的微博舆情分析研究

为避免初始聚类中心选取到孤立点容易导致聚类结果陷入局部最优的不足,提出一种基于密度的K-means(聚类算法)初始聚类中心选择方法。该方法首先计算每个数据对象与其它数据对象间的平均相似度,找出平均相似度高于某固定阈值的对象视作核心对象,再从核心对象中选取彼此间最不相似的作为初始聚类中心。通过自构建的新浪微博抓取工具,分别抓取不同类别的数千条数据,经过分词、预处理及权重计算后,用改进的K-means算法对其进行聚类分析,查准/全率较传统的K-means算法要稳定,聚类的平均时间也得到缩短。实验结果表明,改进后的算法在微博聚类中有更高的准确性和稳定性,有利于从大量的微博数据中发现热点舆情。     

基于深度学习的视频预测研究综述

近年来,深度学习算法在众多有监督学习问题上取得了卓越的成果,其在精度、效率和智能化等方面的性能远超传统机器学习算法,部分甚至超越了人类水平。当前,深度学习研究者的研究兴趣逐渐从监督学习转移到强化学习、半监督学习以及无监督学习领域。视频预测算法,因其可以利用海量无标注自然数据去学习视频的内在表征,且在机器人决策、无人驾驶和视频理解等领域具有广泛的应用价值,近两年来得到快速发展。本文论述了视频预测算法的发展背景和深度学习的发展历史,简要介绍了人体动作、物体运动和移动轨迹的预测,重点介绍了基于深度学习的视频预测的主流方法和模型,最后总结了当前该领域存在的问题和发展前景。     

情境感知的移动阅读个性化推荐算法研究

针对移动环境下资源的个性化推荐问题,提出一种结合情境和协同过滤的移动阅读推荐算法。该算法汇聚了两阶段的情境感知思想,首先使用朴素贝叶斯方法推算用户某情境下偏好度最高的资源类别,然后对该类别下的资源,通过情境相似度的计算,过滤出仅当前情境或者与当前情境最相似的情境的"用户-资源"二维评分模型,再运用传统的基于用户的协同过滤算法产生推荐列表。抓取新浪博文进行实验测试,结果表明相同条件下所提出算法的平均绝对偏差值比其他相关算法要低,具有更高的推荐质量。