基于混淆矩阵神经网络的管道超声导波分类研究

智能可穿戴设备应用到奶牛发情期预测中能够提升奶牛的养殖经济效益。此类用于智能畜牧的可穿戴设备受到体积限制,对设备的低功耗设计提出了更高要求,而传统的运动监测耳标往往需要持续采样以实现准确的奶牛计步,存在能耗较高的问题。本文开发了一款基于动态占空比间歇采样的奶牛耳标设备,并使用预先训练完成的支持向量机（SVM）模型对未采样区间的奶牛步数进行预测;本耳标设计还通过预测结果所体现的奶牛运动状态动态调节设备工作与休眠的占空比,进一步降低系统能耗。测试结果表明,本文设计的耳标设备工作电流为3.1mA,休眠电流为7.7uA,平均工作电流低于0.76mA,比持续工作的电流降低约75%,大大提高了设备的工作时长。     

基于动态占空比采样的低功耗奶牛运动监测耳标设计

智能可穿戴设备应用到奶牛发情期预测中能够提升奶牛的养殖经济效益。此类用于智能畜牧的可穿戴设备受到体积限制,对设备的低功耗设计提出了更高要求,而传统的运动监测耳标往往需要持续采样以实现准确的奶牛计步,存在能耗较高的问题。本文开发了一款基于动态占空比间歇采样的奶牛耳标设备,并使用预先训练完成的支持向量机（SVM）模型对未采样区间的奶牛步数进行预测;本耳标设计还通过预测结果所体现的奶牛运动状态动态调节设备工作与休眠的占空比,进一步降低系统能耗。测试结果表明,本文设计的耳标设备工作电流为3.1mA,休眠电流为7.7uA,平均工作电流低于0.76mA,比持续工作的电流降低约75%,大大提高了设备的工作时长。     

基于注意力机制的改进YOLOX行人跌倒检测方法

针对现有行人跌倒检测算法在复杂场景下存在漏检、检测精度低等问题,提出一种基于注意力机制的行人跌倒检测方法 YOLOX-s-EsE。改进的模型在骨干网络中引入SimAM注意力模块,在Bottleneck和特征融合模块增加ECA通道注意力模块,以进一步提取特征层的关键信息,损失函数采用EIo U,可以更有效地计算出预测框和真实框的差距,提升模型的精度。实验结果表明,改进后的算法在复杂环境下目标的检测效果有了明显的提升,相比原YOLOX-s模型,算法的mAP提高了约1.8%,达到了89.23%,精度提高了约4.6%,达到了91.79%。     

基于注意力机制的行人多目标跟踪方法

多目标跟踪(Multi-Object Tracking,MOT)是智能交通和智慧城市的关键技术之一。针对真实场景下行人多目标跟踪困难的问题,提出了一种基于注意力机制的行人多目标跟踪(Pedestrian Multi-Object Tracking based on Self-Attention,PMOT)算法。在特征提取网络增加注意力机制模块,利用Transformer的编码器结构对行人特征的空间信息进行编码以增强行人的局部特征,实现目标关联精度的提升。为了改善由于长时间遮挡导致的行人目标丢失问题,PMOT算法在数据关联中扩展一个参考特征分支,并结合行人运动特征与外观特征的相似度来实现目标匹配。实验结果表明,提出的算法在MOT17数据集上取得77.0%的跟踪准确度,有效提高了行人目标的跟踪效果。     

基于改进注意力机制Transformer网络的快消品销量预测方法

销量预测能为企业生产计划、仓储运输提供决策支持,使企业能更好地适应市场需求。快消品销售量受众多因素的影响,具有季节性和周期性规律,传统的线性模型难以准确的预测,本文从长时序列预测的视角,运用深度学习理论,提出了一种基于订单时序和订单频率的改进自注意力机制模型(Sequence-Frequency Transformer, SFTransformer)。首先,基于快消品订单数据构建原始数据集,采用time2vec编码处理订单时序信息,并融合订单数据的时序和频率特征在基于时序的订单数据的不同订单频率分别对应不同的注意力头来关注订单数据的订单时序特征和频率特征;使用Transformer模型架构提取特征进行长时序列预测。在真实数据集上进行对比实验,SFTransformer模型在均方误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)3项指标上均取得了最佳性能,验证了本文所提方法的有效性。     

基于注意力机制和稀疏图卷积的行人轨迹预测

行人轨迹预测能够有效降低行人轨迹突变造成的碰撞风险,在智能交通及监控系统等领域有着广泛应用。目前已有的研究大多利用无向图卷积网络对行人间的社会交互关系进行建模,这种方法缺少对行人隐藏状态关联性的考虑,容易产生行人间的冗余交互。针对这一问题,提出一种基于注意力机制和稀疏图卷积的行人轨迹预测模型（DASGCN）,通过构建深度注意力机制,捕捉行人间运动隐藏状态的关联性,从而准确地提取行人运动状态特征。进一步提出自调节稀疏方法,减小冗余信息带来的运动轨迹偏差,解决行人密集无向交互的问题。将所提模型在ETH和UCY数据集上进行验证,其平均位移误差（ADE）和最终位移误差（FDE）分别达到0.36和0.63。实验结果表明,DASGCN对行人轨迹的预测能力要优于传统算法。     

基于视频的行人闯红灯检测方法

针对行人闯红灯的研究,固定在交通路口的单目摄像机拍摄的视频图像背景基本不发生变化,但是室外环境下受光照、温度、天气以及其他原因造成摄像机自身抖动的影响,背景会随着时间发生一定的变化,需要采用自适应的背景建模方法。现采用了混合高斯背景建模的方法提取运动目标。在梯度方向直方图特征(HOG)基础上,运用MIT行人和汽车数据库通过SVM分类器训练,运用训练结果对视频图像当中运动目标进行分类,识别出视频图像当中的行人,运用颜色直方图、位置和轨迹特征对运动行人进行跟踪,结合交通信号和可行区域判断行人是否构成了闯红灯的行为。对视频图像的处理用于行人闯红灯研究,经实验论证切实可行。     

基于注意力机制改进的轻量级目标检测算法

针对通用的目标检测算法在检测生活场景下的多类目标时检测精度低、速度较慢的问题,提出了一种基于注意力机制改进的轻量级目标检测算法YOLOv4s。该算法以CSPDarknet53-s作为主干特征提取网络提取图像特征,通过注意力模块进行特征选择,再利用特征金字塔网络对特征进行融合,最后通过检测头分别处理特征融合后的两个输出,进而提高对生活场景下多类目标检测的能力。实验结果表明：相比改进前的算法,YOLOv4s算法在PASCAL VOC数据集上的平均均值精度（mAP）及MS COCO数据集上的平均精度（AP）都有一定程度的提升;相较于轻量级算法Efficientdet,YOLOv4s算法在MS COCO数据集上的AP也有一定提高,并且实现了有效的显著目标检测。     

基于注意力机制的红外目标检测方法

由于红外探测器感应波段与可见光不同,不依赖于大气光的反射传播,而是取决于环境中物体自身散发的辐射强度,所以其在雾霾、夜晚等可见度低的条件下往往比可见光具有更好的目标检测效果。针对红外场景中目标检测精度低、实行性差的问题,提出一种基于注意力机制的红外目标检测方法。首先,设计一种轻量化网络结构;其次,采用注意力机制提高网络的特征提取能力;然后,改进迭代特征金字塔结构提高对不同尺度目标的检测能力;最后,在训练过程中引入complete intersection over union(CIoU)损失函数和梯度均衡机制（GHM）损失函数改善正负样本不平衡问题。与其他算法的对比实验结果表明,所提算法的检测精度和速度显著提高。     

基于ＬＯＲＡＴＭ调制的低功耗光功率检测标签设计

针对工业生产领域有线设备检测光功率的不便,从应用角度出发,提出一种基于LORA^TM调制的低功耗光功率检测标签设计。无线低功耗光功率检测标签由光传感器、低功耗处理器、LORA^TM调制解调器和锂电池组成,光传感器将光强转换为大小变化的电流,通过对电容充放电和单稳态触发器,产生频率变化的脉冲信号,低功耗处理器在固定时长窗口下检测脉冲个数从而获得光功率,并通过LORA^TM调制将数据发送至手持PAD进行数据展示。实验证明：本设计系统稳定,检测精度高,待机电流低至0.2mA。     

基于改进注意力机制的实体关系抽取方法

实体关系抽取是知识库构建中至关重要的一个环节.在众多的实体关系抽取方法中,远程监督结合神经网络模型的方法在准确率等性能上是比较令人满意的,但远程监督获取的标注语料中往往存在大量的噪声数据,给实体关系抽取模型的训练带来了很大的影响.本文提出一种基于改进注意力机制的卷积神经网络实体关系抽取模型.该模型针对包含同一实体对的句子集合,从中尽可能地找出所有体现该实体对关系的正实例,构建组合句子向量,抛弃可能的噪声句子,从而最大程度地降低噪声句子的影响又能充分利用正实例的语义信息.实验证明,本文提出的关系抽取模型在准确率上优于对比的关系抽取模型.     

一种基于CENTRIST方法与显著图分割的行人检测方法

在智能监控系统中,行人是最为关键的目标对象.监控系统可根据当前捕获的行人检测结果,触发跟踪系统持续观察兴趣目标,从而给出兴趣目标的行为与状态信息.考虑到行人检测结果直接影响跟踪系统的输出,基于CENTRIST(Census Transform Histogram)方法的行人检测结果,采用显著图分割技术,将包含行人的前景区域与检测框内的背景区域分离开来,使得跟踪系统能够根据行人的主体运动部分做出准确判断,有效地缓解了背景区域以及行人局部运动(如手、脚运动)对跟踪结果的干扰.实验结果表明,该行人检测方法在提高后续跟踪模块准确率的同时,又能适用于实时性要求较高的智能视频监控系统.     

基于注意力机制的车牌快速检测方法研究

针对光照、车辆密集和低分辨率等复杂场景下车牌定位困难、检测速度慢和准确率低等问题,提出了一种基于注意力机制的车牌快速检测方法.首先,综合车牌的特征,设计了轻量级网络单元LeanNet,并使用该单元构建一种计算量低且精准的骨干网络.其次,设计了MLA(muti-scale light attention)模块,用于引导网...     

基于注意力机制的全海深声速剖面预测方法

海水中的声速剖面具有明显的时间演化特性,其预测问题可以看作一个非线性的时间序列预测问题。解决此类问题的常用方法大多使用预定义的非线性形式,无法捕捉真正潜在的非线性关系。循环神经网络作为一种为序列建模特别设计的深度神经网络,在捕捉非线性关系上具有极大的灵活性,在非线性自回归的时间序列预测这一问题上展现了它的有效性;注意力机制能够从众多信息中选择出对当前任务目标最关键的信息,对多变量时间序列在时空维度上的非线性关系进行捕捉。该文利用深度学习中的循环神经网络,添加双层注意力机制构建多变量时间序列预测模型,对浅海环境下时变的全海深声速剖面进行预测。多个模型的预测结果表明,该模型相对于单纯的编码-解码模型有着明显的预测性能提升,并且注意力权重的分布能够与实际物理现象相关联,为水声学中物理模型与机器学习的结合提供了新的思路。     

基于跨纬度交互注意力机制的行人重识别方法

为解决由行人姿态、环境等复杂因素导致的行人特征表达能力弱、识别率低等问题,本文通过对AlignedReID++模型进行改进,提出了基于跨纬度交互注意力机制的行人重识别方法.首先,在特征提取部分,将跨纬度交互注意力Triplet At?tention模块嵌入到ResNet50网络中,捕获空间维度和通道维度之间跨纬度的交互...     

基于S-MAC改进的自适应占空比机制研究

S-MAC协议作为经典的基于无线传感器网络的MAC协议引起了人们的普遍关注。本文根据S-MAC固定占空比机制,提出了一种基于负载控制的自适应占空比调整的MAC协议——DSMAC。在DSMAC中,设定一个节点定时器,通过判断单位时间内负载情况,动态调整占空比,该协议旨在改善S-MAC固定占空比不能适应负载变化以及延迟过大的不足。利用NS2仿真工具对DSMAC进行了仿真,结果显示DSMAC协议不仅能够显著地提高吞吐量,减少时延,还能有效提高能量效率,在提高网络性能的同时达到节能的目的。     

基于时空信息和社交注意力的行人轨迹预测研究

行人轨迹预测在各种应用中具有关键性作用,为提高互中轨迹预测精度与模型可解释性,提出了一种基于时空信息和社交注意力的模型(SAGAT),模型整体采用编码-码的框架。首先,针对行人之间时间交互的连续性,构建额外的LSTM网络来捕获时间的相关性信息。然后,提出社交注意力机制,设置3种社交特征丰富行人交互信息,对同一场景中的不同行人进行权重分配。最后,在UCY和ETH公开数据集进行训练。多个实验结果表明,模型的预测精度优于现有方法,且平均精度提高13.7%。首先,针对行人之间时间交互的连续性,构建额外的LSTM网络来捕获时间的相关性信息。然后,提出社交注意力机制,设置3种社交特征丰富行人交互信息,对同一场景中的不同行人进行权重分配。     

基于改进注意力机制模型的智能英语翻译方法研究

使用神经机器算法对英语进行翻译是当前研究的热点,采用传统序列神经框架进行英语翻译,其对长距离信息的捕获能力过差,自身有较大的局限性。然而,目前的改进框架,例如循环神经网络翻译效果也并不理想。文中针对传统机器翻译算法的不足,建立了注意力编解码模型,将注意力机制与神经网络框架相结合,并基于TensorFlow对整个英语翻译系统进行实现,由此提高了翻译精度。实验测试结果表明,文中所构建算法模型的BLUE值相比于传统机器学习算法均有不同程度的提升,证明了文中所提算法模型的性能相较于传统模型有较为明显的提高。     

基于注意力机制的交通信号控制技术

多年来深度强化学习算法与智能交通系统结合的方法在交通信号控制领域取得了突出成效。然而,仅依靠深度强化学习算法仍然无法弥补卷积神经网络提取特征的缺陷,从而影响智能体的整体策略输出。针对现存的特征提取问题,在深度双Q网络（double deep Q network, double DQN）模型基础上提出了一种基于注意力机制的深度强化学习模型进行交通信号控制。将压缩激活网络（squeeze and excitation networks, SENet）注意力机制添加到三维卷积神经网络中,通过建模特征图通道间的相互依赖来增强卷积神经网络的表征质量,从而输出最优的交通信号控制动作。实验结果表明,算法表现出了良好的交通信号控制效果,且具有显著的稳定性。