基于RDSNet的毫米波雷达人体跌倒检测方法

随着人口老龄化的到来,跌倒检测逐渐成为研究热点.针对基于毫米波雷达的人体跌倒检测应用,该文提出了一种融合卷积神经网络和长短时记忆网络的距离多普勒热图序列检测网络(RDSNet)模型.首先通过卷积神经网络对距离多普勒热图进行特征提取得到特征向量,然后将动态序列对应的特征向量序列依次输入长短时记忆网络,进而学习得到热图序列...     

基于长短时记忆网络的被动声纳目标信号LOFAR谱增强研究

将深度学习分类模型应用于水下目标识别取得了很多成果。水下目标检测是分类识别的前提与关键,使得基于深度学习的水下目标辐射噪声信号的检测研究逐渐引起人们的重视。因此,提出了将长短时记忆网络应用于水下目标的LOFAR谱,利用深度学习模型,学习LOFAR谱中的关键信息。试验结果表明,经过长短时记忆网络训练的LOFAR谱与未训练的LOFAR谱相比,水下目标信号的线谱检测能力更好。     

基于混合编码和长短时记忆网络的机场延误预测方法

为充分利用机场延误状态信息的时间相关性,提高机场延误预测精度,提出一种基于混合编码和长短时记忆网络（Long Sort Term Memory, LSTM）的机场延误预测方法。该方法首先将机场信息、航班信息和气象信息进行数据预处理,得到机场延误数据;然后,利用LSTM网络对机场延误数据进行特征提取;最后,构建Softmax分类器对机场延误分类预测。实验结果表明,本文基于机场延误数据在数据预处理阶段提出的混合编码方法,可使预测准确率提高约5%。同时,利用LSTM网络来提取数据的时间相关特征信息,网络模型的预测准确率最终可达94.01%。并且由不同机场数据对网络的普适性分析结果表明,该算法更适合于原始数据量大的中大型枢纽机场。      

基于卷积长短时记忆网络的心律失常分类方法

心律失常等慢性心血管疾病严重影响人类健康,采用心电信号(ECG)实现心律失常自动分类可有效提高该类疾病的诊断效率,降低人工成本。为此,该文基于1维心电信号,提出一种改进的长短时记忆网络(LSTM)方法实现心律失常自动分类。该方法首先设计深层卷积神经网络(CNN)对心电信号进行深度编码,提取心电信号形态特征。其次,搭建长短时记忆分类网络实现基于心电信号特征的心律失常自动分类。基于MIT-BIH心律失常数据库进行的实验结果表明,该方法显著缩短分类时间,并获得超过99.2%的分类准确率,灵敏度等评价参数均得到不同程度的提高,满足心电信号自动分类实时高效的要求。

     

基于波束形成的长短时记忆网络语音分离算法研究

在利用深度学习方式进行语音分离的领域,常用卷积神经网络(RNN)循环神经网络进行语音分离,但是该网络模型在分离过程中存在梯度下降问题,分离结果不理想。针对该问题,该文利用长短时记忆网络(LSTM)进行信号分离探索,弥补了RNN网络的不足。多路人声信号分离较为复杂,现阶段所使用的分离方式多是基于频谱映射方式,没有有效利用语音信号空间信息。针对此问题,该文结合波束形成算法和LSTM网络提出了一种波束形成LSTM算法,在TIMIT语音库中随机选取3个说话人的声音文件,利用超指向波束形成算法得到3个不同方向上的波束,提取每一波束中频谱幅度特征,并构建神经网络预测掩蔽值,得到待分离语音信号频谱并重构时域信号,进而实现语音分离。该算法充分利用了语音信号空间特征和信号频域特征。通过实验验证了不同方向语音分离效果,在60°方向该算法与IBM-LSTM网络相比,客观语音质量评估(PESQ)提高了0.59,短时客观可懂(STOI)指标提高了0.06,信噪比(SNR)提高了1.13 dB,另外两个方向上,实验结果同样证明了该算法较IBM-LSTM算法和RNN算法具有更好的分离性能。     

基于多流架构与长短时记忆网络的组群行为识别方法研究

提出一种基于多流架构与长短时记忆网络的上下文建模框架,旨在克服组群行为识别的两个难点,其一对复杂场景中多视觉线索进行信息融合;其二对情景人物进行建模,以获得长视频上下文关系.并且,对基于全局信息和基于局部信息的识别结果进行决策融合,判定最终组群行为属性.该算法在CAD1和CAD2上分别取得93.2%和95.7%平均识别率.     

基于卷积双向长短时记忆网络的雷达辐射源信号识别

雷达辐射源信号识别在实际战场中是对敌制胜的重要手段。为解决人工提取的雷达辐射源信号特征参数不完备、时效性低等问题,基于模糊函数在表征信号内在结构上的独特作用,提出一种结合模糊函数主脊坐标变换的卷积双向长短时记忆网络的识别方法。首先,为放大不同信号间的差异,采用数学思维将主脊切面转换为极坐标域的几何图像,以此作为神经网络的输入;其次,设计卷积神经网络来挖掘二维时频图的特征信息;最后,搭建双向长短时记忆网络对提取到的特征进行分类识别。仿真实验结果表明,所提方法在信噪比为0 dB以上均能保持100%的准确率,即使信噪比为-6 dB时,识别率仍可达93.58%以上,同时也有效缩短了信号分类时间。结果验证了所提方法不仅能提取信号的隐藏抽象特征,还具备良好的时效性和抗噪性。     

基于双向长短时记忆网络的配电网关键线路单调性规律提取

针对可再生能源发电不断并入配电网,配电网出现双向流动的有功潮流,使配电网输电线路的有功潮流越来越不确定的问题,把握配电网关键线路的有功输电规律对于保证输电安全、防止大面积停电事故的发生具有重要意义.对此,在量测环境下,提出了基于双向长短期记忆网络的配电网关键线路单调性规律提取方法.首先,建立了配电网输电网潮流计算模型;...     

基于双向长短时记忆网络和设备未来态的停电优化模型

随着电网精细化管理要求的不断提高,提供优质的连续供电电能是各电力企业追求的目标。对此,从时间维度、空间维度、元器件维度历史和未来状态,基于双向长短时记忆网络,提出了电网停电优化模型。首先,从时间维度,给出了元器件的健康状态及故障率模型;其次,提出了元器件关联分析的停电拓扑分析模型;第三,给出了以经济性和可靠性为目标的停电优化模型;第四,基于双向长短时记忆网络对上述模型进行求解;最后,以实际电网为例,表明了所提方法的有效性。     

基于信号能量分布拟合优度的长短时记忆网络频谱感知算法研究

传统频谱感知算法性能在低信噪比下不够理想,在高信噪比下较好,算法性能随信噪比降低逐渐变差。本文提出了基于信号能量分布拟合优度的长短时记忆网络频谱感知算法,利用授权用户信号存在时的接收信号为基础,计算接收信号的能量分布,并将通过拟合优度算法得到的距离值作为特征构造特征向量,然后将特征向量输入长短时记忆网络训练得到模型,最后将测试数据输入训练模型进行预测,从而实现频谱感知。仿真结果表明,本文提出的新算法在信噪比为-13 dB,采样点数为28时,检测概率达到96.21%,明显优于传统能量检测算法和传统拟合优度算法。      

基于长短时神经网络的目标意图识别

来袭目标意图识别是战场态势认知的重要部分。为充分利用探测到的空中来袭目标运动状态信息的时间相关性来提高意图识别精确度,本文提出一种基于长短时记忆神经网络(LSTM)的敌方空中目标作战意图识别方法。该方法首先利用仿真推演平台根据4种常见意图想定推演来袭目标数据,对生成数据进行清洗以及滑窗处理从而得到有效样本集,利用长短时记忆神经网络对生成样本集进行学习形成敌方空中目标作战意图识别模型。实验结果表明,利用长短时记忆神经网络来学习4种常见意图数据的运动及时间相关特征信息,预测准确率最终可达92%,取得了比传统分类器更好的效果。     

基于视觉识别的人体跌倒检测研究

文章研究了跌倒检测技术,采用性能优异的目标识别YOLO v3算法,提出基于视觉的跌倒检测方案,实现实时跌倒检测,可以为电力系统环境的工作人员提供一定的安全保障。     

基于LSTM和模糊推理的海上目标行为意图智能预测方法

常用的海上目标行为意图预测方法多是基于经验或单一时刻的运动数据得到航行状态再进行意图预测,忽略了时间序列特征对目标航行状态的影响。据此,文中提出一种结合长短时记忆网络和模糊推理的海上目标行为意图预测方法。首先,构建一种长短时记忆网络模型,提取一定时域内目标航行信息的时序特征,识别其稳定的航行计划;其次,将目标航行计划与选取的雷达信号特征参数进行模糊化处理,建立能够反映目标航行状态、雷达状态信息与行为意图间关系的模糊规则;最后,根据模糊规则综合分析模糊化后的态势要素预测目标的行为意图。通过实验证明本文算法在航行计划的预测准确性高达96.07%,且能够在多种场景下准确识别目标的行为意图。     

融合空间-时间双网络流和视觉注意的人体行为识别

该文受人脑视觉感知机理启发,在深度学习框架下提出融合时空双网络流和视觉注意的行为识别方法。首先,采用由粗到细Lucas-Kanade估计法逐帧提取视频中人体运动的光流特征。然后,利用预训练模型微调的GoogLeNet神经网络分别逐层卷积并聚合给定时间窗口视频中外观图像和相应光流特征。接着,利用长短时记忆多层递归网络交叉感知即得含高层显著结构的时空流语义特征序列;解码时间窗口内互相依赖的隐状态;输出空间流视觉特征描述和视频窗口中每帧标签概率分布。其次,利用相对熵计算时间维每帧注意力置信度,并融合空间网络流感知序列标签概率分布。最后,利用softmax分类视频中行为类别。实验结果表明,与其他现有方法相比,该文行为识别方法在分类准确度上具有显著优势。     

基于多传感器和Bi-LSTM的个性化跌倒检测研究

解决老年人发生意外跌倒却无法被及时发现与救治的问题.为提高跌倒检测的精确度与解决个性化适配问题,本文提出一种基于多传感器和Bi-LSTM神经网络的端云协同的个性化跌倒检测方案.该系统主要包括2方面,一方面是可穿戴设备设计与个体适配的实时跌倒检测算法的实现;另一方面是基于Bi-LSTM的云端个性化跌倒模型的构建.可穿戴设...     

多通道时空融合网络双人交互行为识别

提出一种基于多通道时空融合网络的双人交互行为识别方法,对双人骨架序列行为进行识别。首先,采用视角不变性特征提取方法提取双人骨架特征,然后,设计两层级联的时空融合网络模型,第一层基于一维卷积神经网络（1DCNN）和双向长短时记忆网络（BiLSTM）学习空间特征,第二层基于长短时记忆网络(LSTM)学习时间特征,得到双人骨架的时空融合特征。最后,采用多通道时空融合网络分别学习多组双人骨架特征得到多通道融合特征,利用融合特征识别交互行为,各通道之间权值共享。将文中算法应用于NTU-RGBD人体交互行为骨架库,双人交叉对象实验准确率可达96.42%,交叉视角实验准确率可达97.46%。文中方法与该领域的典型方法相比,在双人交互行为识别中表现出更好的性能。     

基于长短期记忆网络的人体运动识别研究

文章提出一种基于长短期记忆网络的人体运动状态识别方法。通过手机内置的加速度传感器采集相关数据,对采集的数据进行预处理,采用LSTM算法对人体运动状态进行分类。此算法不需要人工进行特征提取,在TensorFlow环境下的实验结果显示,此算法分类精度较高,对静止、走路、慢跑、上楼梯、骑车5种运动状态的识别率超过90%。     

联合长短时记忆递归神经网络和非负矩阵分解的语音混响消除方法

本文提出了一种联合长短时记忆递归神经网络和非负矩阵分解方法对单通道语音进行混响消除;对语音信号的对数功率谱建模抑制混响干扰。首先通过长短时记忆递归神经网络估计对数功率谱,这种模型结构能捕获整个音频序列的信息重构纯净语音的对数功率谱,然后通过非负矩阵分解方法对重构的对数功率谱进行后处理抑制过平滑问题;实验结果表明所提方法可以有效抑制语音信号中的混响干扰,本文方法的各种性能指标优于基线方法。      

基于Bi-LSTM模型的轨迹异常点检测算法

定位技术的飞速发展催生了时空轨迹大数据,轨迹数据中往往存在着明显偏离轨迹的异常点。检测出轨迹中的异常点对提高数据质量和后续轨迹数据挖掘精度至关重要。该文提出了一种基于双向长短时记忆网络(Bidirectional Long Short-Term Memory, Bi-LSTM)模型的轨迹异常点检测算法。首先对每个轨迹点提取一个6维的运动特征向量,然后构建了一个Bi-LSTM模型,模型输入为一定序列长度的轨迹数据特征向量,输出为轨迹点的类型结果。同时,算法采用了欠采样和过采样的组合方法缓解类别不平衡对检测性能的影响。融合了长短时记忆网络单元和双向网络,Bi-LSTM模型能够自动学习正常点和邻近异常点在运动特征上的差异。基于真实船舶轨迹标注数据的实验结果表明,该文算法的检测性能显著优于恒定速度阈值法、不考虑数据时序性的经典机器学习分类算法和卷积神经网络模型,尤其是召回率达到了0.902,验证了该文算法的有效性。