基于三轴加速度传感器的老年人摔倒检测系统

为解决老年人摔倒检测中的检测精度和检测设备功耗高的难题,设计了基于三轴加速度传感器的老年人摔倒检测系统.采用MEMS三轴加速度传感器和低功耗单片机完成人体三轴加速度数据的采集和处理,以满足低功耗要求;并建立基于三轴加速度信息的摔倒检测阈值点判断算法,并对关键参数进行确定,以提高检测算法精度.通过仿真老年人日常行为动作和多种摔倒行为,获取到全面有效实验数据,采用阈值点摔倒检测算法进行验证.摔倒准确率为93.96％,说明系统可以有效地对老年人摔倒行为作出检测,实现低功耗长时间工作.     

基于双摄像头的摔倒检测技术

随着人口老龄化趋势的加快,老人独居现象增多,为了减少老人摔倒所带来的伤害,本文对基于双摄像头的摔倒检测技术进行研究.针对Vibe算法在运动目标检测过程中存在的鬼影问题,结合了帧间差分法进行鬼影区域的判断,加快了鬼影的消除,避免了其干扰.利用人体外接矩形对检测到的人体进行标记,求取出人体运动过程中高度、外接矩形高宽比、质心、Hu矩特征,通过基于阈值分析法和支持向量机(SVM)的摔倒检测算法判断是否摔倒.为了提高摔倒行为的检测率,提出采用双摄像头进行联合判断.实验结果表明,系统能有效识别摔倒与其他日常行为,算法准确度高、实时性好.     

基于加速度传感器的人体跌倒检测方法

针对人体跌倒检测阈值算法在由于阈值设定不当而引起的检测精度下降问题,采用支持向量机方法决定跌倒检测的阈值大小。从加速度传感器中获取人体运动信号,提取合加速度以及倾角作为分类特征,根据人体在跌倒时经过的失重、撞击地面和平稳三个阶段,建立基于阈值的跌倒检测模型。采用所建立的跌倒检测模型,分别用支持向量机方法以及人工方法设定阈值,仿真结果显示采用支持向量机设定阈值的检测效果优于对比算法,结果表明本文方法能有效识别跌倒。     

基于高斯模糊的摔倒自检测算法设计与应用

随着智能设备的普及,如何快速准确地检测、识别人体摔倒已逐渐成为研究的热点。然而现阶段对摔倒动作识别与检测仍然存在很多问题。为此,以智能设备的传感器系统采集的三轴加速度与角加速度为基础,结合经过高斯过滤后形成人体活动的信号幅度向量和陀螺仪信号幅度向量特征曲线与摔倒检测的模糊隶属函数特征模型,提出一种基于模糊的摔倒自检测算法。算法重点针对急速跑动、上下楼梯、手机平抛和自由落体等摔倒检测中的干扰动作进行了分析与区分,经过实验测试表明该算法有较快的反馈速度、较好的区分度以及较低的误判率。     

基于多传感器融合的摔倒检测算法的研究

针对传统摔倒检测算法中误报和漏报率高的不足,提出一种基于多传感器融合的摔倒检测算法;该算法分别以人体的加速度和姿态角值为判定依据;首先,采用三轴加速度传感器和电子罗盘对上述两种数据进行采集,并通过无线模块发送至PC机;之后对采集数据进行分析和处理,进而根据阈值进行异常姿态检测;最终,综合加速度和姿态角的分析结果给出准确的检测结论;实验结果表明,该算法检测的准确率达99.2％、与传统检测算法相比具有更强的稳定性与可靠性.     

基于MEMS三轴加速度传感器的摔倒检测

摔倒作为人体活动的一部分,是影响人体健康的一大因素,尤其对病人和老年人而言,摔倒检测至关重要。基于MEMS三轴加速度传感器采集的人体活动加速度信号,提出了一种基于固定阈值的信号幅度向量滑动平均法SVMSA。该方法根据人体活动时的加速度信号特征,利用预先设定的阈值对加速度信号幅度向量SVM的滑动平均SVMSA进行判决,同时使用差分信号幅度域DSMA区分快速跑步等剧烈运动,准确实现了人体的摔倒检测。主要优势在于分析并区别了人体快速跑步等剧烈运动对摔倒检测的影响。通过对8位实验者的测试,该算法实现了94.4%的精确度。实验表明该算法能够较为准确地实现人体的摔倒检测。     

基于SVM的入侵检测系统

支持向量机（SVM）作为一种新型的统计学习模型，在处理小样本和学习机的推广能力上具有很大的优势。该文应用SVM的分类特性来识别网络攻山行为，提出了基于SVM的入侵检测方法。雨点考察了不同SVM核函数和参数选择对检测准确率和实时性的影响。论证了基于SVM的入侵检测在性能和识别率上都明显优于基于BP网络的攻击识别，还就目前商用入侵检测系统存在较高误报率的问题，分析了用SVM来提高其检测实时性和识别准确率的系统框架。     

基于One-class SVM的实时入侵检测系统

将One-class支持向量机和Online训练算法应用于入侵检测研究中,把入侵检测看作是一种单值分类问题,能够在有噪声的数据集中进行训练,降低了对训练集的要求,提高了检测准确性。同时解决了基于SVM的入侵检测系统实时训练的问题,在实际运用中可以实时地添加新的训练样本对新出现的攻击手段进行分类。在KDD CUP’99标准入侵检测数据集上进行实验,系统缩短了训练时间并且获得了较高的检测准确率。     

基于SVM和AdaBoost的人脸检测算法

提出了一种结合SVM和AdaBoost的人脸检测算法。该算法首先根据训练样本中的人脸和非人脸区域训练作为分量分类器的支持向量机（SVM）,然后通过AdaBoost算法把这些训练好的分量分类器组合成一个总体分类器;再利用该总体分类器来区分测试样本中的人脸和非人脸区域。实验结果表明,该算法不但提高了识别的正确率,而且大大提高了检测速度。     

基于SVM主动学习的入侵检测系统

研究在入侵检测中,采用基于支持向量机(SVM)的主动学习算法,解决小样本下的机器学习问题。该文提出了基于SVM主动学习算法的系统框架及适用于入侵检测系统的SVM主动学习算法,讨论了候选样本集的组成比例、候选样本集数量及核函数的不同参数选取对检测结果的影响。通过实验验证,基于SVM主动学习算法与传统SVM算法相比,能有效地减少学习样本数,提高检测精度。     

基于KPCA和SVM的网络入侵检测

入侵检测系统是网络安全的重要组成部分。目前的入侵检测算法存在着先验知识少的情况下推广能力差的问题。本文提出了利用核主成分分析（KPCA）和支持向量机（SVM）相结合进行入侵检测的方法。与传统算法相比,本文的方法对网络异常连接有更高的检测率和更强的泛化能力。文章最后在KDDCUP数据集上进行的实验,证明了本文方法的适用性和高效性。     

基于特征选择和支持向量机的托攻击检测方法

为了提高支持向量机的托攻击检测效果,提出一种不同于单一算法的基于特征选择和支持向量机的托攻击检测方法。首先定义特征的样本差异性度量,并由此推导出特征的类别可分性度量作为特征选择准则,然后用支持向量机评估所选特征子集的有效性,在不损失样本信息的前提下,通过递归反向特征剔除算法实现检测特征的自动优选,最后利用支持向量机来检测攻击用户概貌。在标杆数据集上与文献中的经典方法进行实验比较和分析,结果显示该方法可以有效地提取最具检测能力的特征子集,同时能获得更好的检测效果,证明了方法的有效性。     

基于支持向量机的角点检测方法研究

支持向量机是一种基于VC维理论和结构风险最小化原则的统计学习方法,具有小样本学习、推广能力强、解为全局最优等优点.基于支持向量机的角点检测方法,不需要梯度信息,只需对角点样本进行学习,找出角点的特征信息,便可实现对角点的正确检测.通过恰当选取核函数、参数值以及训练样本集,实现了对摄像机标定模板角点的正确检测,并且对畸变角点和含噪声角点也有很好的检测效果.与传统方法相比,所提出的方法具有更强的角点检测能力.     

基于内容分析的中文BBS话题检测系统的设计与实现

通过对BBS话题模型、话题相似度、话题检测评价标准以及话题趋势的分析和研究,提出了基于内容分析的中文BBS话题检测算法:通过爬虫获取BBS信息;采用基于URL和Xpath的网页模板处理BBS信息;应用ICTLAS实现BBS信息的分词;采用Carrot2对BBS话题进行聚类,基于功率谱的热点话题分析以及基于时间序列的话题预测.最后,通过采用J2EE开发包及Eclipse 集成开发环境,结合Hibernate、GWT等技术实现了中文BBS话题检测系统,并在多个BBS论坛上进行了测试,取得了良好的效果.     

基于聚类算法的异常入侵检测模型的研究与实现

针对目前网络入侵检测现状,提出了将聚类算法应用到异常入侵检测中,并对K-means算法进行了改进。实验采用KDD Cup1999的测试数据,结果表明该方法是有效的。     

基于SVM的文本词句情感分析

近年来,文本情感倾向性分析已成为自然语言处理领域的热点,在垃圾过滤、文本分类、网络舆情分析等领域有广泛的应用。将研究中文文本词句的情感分析问题,重点解决喜、怒、哀、惧四类粒度大的情感分析问题。首先构建喜、怒、哀、惧基准情感词,然后对情感词特征进行分析,进而挖掘潜在情感词,最后使用支持向量机分类的方法融合词特征、词性特征、语义特征等各种特征,对句子进行情感识别及分类。实验表明,在COAE2009评测任务情感词句识别此方法是合理和有效的。     

基于SVM技术的入侵检测

针对日益严重的网络入侵事件,提出了一种新的入侵检测方法．在对网络数据进行深刻的分析和研究的基础上,提出了基于支持向量机的入侵检测方法．首先,对1类SVM进行了必要的改进,使异常点聚集为一类（即环绕原点的一类）．然后,使用抽象化的网络数据对SVM进行训练,生成入侵事件的SVM分类器．实验表明,该方法是行之有效的．     

基于优化的支持向量机的机械设备多故障诊断模型

提出了一种基于遗传算法优化支持向量机的故障诊断模型.它利用遗传算法对支持向量机同时对传统的时域特征参量子集和核参数同时优化,以达到选择最优的设备故障主导特征参数组合的目的,实现对机器不同类型故障的识别.对齿轮故障诊断的结果表明它有效提高了多分类支持向量机的故障分类准确性.     

基于遗传算法优化SVM的嵌入式网络系统异常入侵检测

由于传统嵌入式网络系统入侵检测方法难以获得较高的检测精度,提出基于遗传算法优化的支持向量机(GA-SVM)的网络入侵检测技术.支持向量机分类器能够较好地解决少样本、高维、非线性分类问题.然而,支持向量机训练参数的选择对其分类精度有着很大影响,遗传算法能够同时优化支持向量机的训练参数,采用遗传算法进行支持向量机的训练参数同步优化.实验结果表明,这种遗传算法优化的支持向量机分类入侵检测模型有着很高的检测精度.     

基于协议分析的IPv6入侵检测系统设计

目前的网络是基于IPv4的,但是IPv4的种种局限性限制了网络的持续高速发展.IPv6较IPv4有很多优势,例如:巨大的地址空间,自动配置机制,简化的报头结构,内置IPSec,扩展报头,以及对流标签的支持等等.目前对IPv6的安全问题研究主要集中在协议本身的安全,对上层的安全问题无法保障.就IPv6提出了一种基于协议分析方法的入侵检测模型.设计出的系统可以很好的应用于IPv6环境中,还可以适用于IPv4到IPv6过渡时期.