人体运动合成中的机器学习技术综述

近年来,机器学习技术被广泛应用于人体运动合成,取得了很多研究成果,这得益于运动捕获技术的成熟和使用.运动捕获技术使数据驱动的方法成为人体运动合成的主流,而机器学习技术能够有效地处理人体运动数据这类维数高且在时间和空间两个维度都具有较大相关性的数据.文中以机器学习方法为主线,结合各类方法的特点,对人体运动合成中的应用进行总结和归纳;同时,还展望了人体运动合成和运动数据处理技术未来的发展趋势.     

机器学习在股票预测中的应用综述

揭示股票市场运行规律一直是研究的热点，近些年机器学习方法在股票预测方面取得了不错的进展，相较于传统的基本面分析、技术分析等方法，显示了独特的优势。从股票预测研究的主要问题、特征工程和机器学习算法应用等三个方面，对近年来该领域的主要文献进行总结，并针对每种算法在应用中的特点与不足进行评述。围绕目前机器学习在股票预测上遇到的主要问题，从迁移学习、特征工程、深度学习模型融合等方面进行了深入的分析与展望。     

机器学习在RoboCup中的应用研究

RoboCup is a particularly good domain for studying multi-agent systems.A wide variety of MAS issues can be studied in robotic soccer,in which the theory,algorithm and architecture of agent system can be evaluated.Because of the inherent complexity of MAS,there are many interests in using machine learning techniques to handle it.This paper investigates and discusses the machine-learning techniques used in RoboCup.The background is firstly presented and the application of machine learning in RoboCup is lately demonstrated with some top simulation teams.The machine-learning system in NDSocTeam is also introduced.Finally some open issues in this field are pointed out.     

机器学习在股票预测中的应用

使用股票的历史数据去预测股市,其忽略了市场波动中金融新闻和公众评论所造成的影响.结合历史数据和金融新闻和公众评论去预测股票时,如何准确、快速地从文本中挖掘出关键信息十分重要.基于深度学习的预测方法能更好地提取文本和股票数据的特征,特别是循环神经网络其能够捕获数据的时序特征.     

机器学习算法及其应用综述

机器学习是一门多学科的综合性研究,它既是基于模式识别和人工智能的一类计算机科学分支,也是人工智能的一种极其重要的研究方向。文章从机器学习经典算法、新型算法及其应用三个方面进行介绍。首先阐述了6种最常见的机器学习方法,及其机器学习算法的数据并行、聚类、分治3个主要方式;然后,在机器学习经典方法的基础上介绍了结合各专业领域的量子机器学习方法以及李群机器学习;最后,阐述了机器学习方法在各领域中的实际应用,并对机器学习未来的发展趋势做出了分析总结。     

一种改进的基于地面反作用力的步态识别方法

提出一种改进的基于地面反作用力的步态识别方法．该方法通过由三维测力台构建的步态通道获取步行时足底受到的三方向地面反作用力,并采用小波包分解提取时频域特征,利用模糊C 均值聚类算法从中挑选出最具分类能力的特征子集,最后在训练样本上用支持向量机训练分类器,并在测试集上进行步态识别．为提高识别率,对样本进行拆分和波形对齐操作,并设计多分类器以降低步行速度变化对识别准确率的影响．在103人的步态数据库上的测试结果表明,该方法即使在训练样本较少的情况下也可以得到较高的识别率．     

机器学习在超声图像中的应用综述

超声图像为临床疾病检测与诊断提供重要的辅助信息,机器学习在超声图像中的应用给超声图像的分析诊断带来了新变革.从超声图像的去噪、分割、检测、分类等方面介绍了超声图像的研究现状.分类综述了近年来机器学习算法在超声图像领域的研究和应用进展.指出了基于机器学习在医学影像领域开展研究所面临的困难与挑战,并对未来研究方向进行了展望...     

预测市场技术在机器学习中的应用

预测市场是经济学里用以分析和预见经济发展趋势的技术,这篇论文研究如何将预测市场作为机器学习的一种工具。论文概述了当前预测市场领域的研究和进展、并将预测市场和当前的模型组合方法关联起来,展示如何利用它们。然后基于现有理论,论文研究并实现了一个人工预测市场,同时利用实际数据对它的表现进行测试和评估,得出预测市场应用于机器学习领域的作用与效果,根据评估结果来理解预测市场技术用于机器学习的优势和弱点,从而得出进一步的研究方向。     

计算机视觉与机器学习技术在三维人体动画中的应用综述

近年来计算机视觉与机器学习技术广泛应用于三维人体动画领域中.基于图像/视频的人体运动数据获取技术、数字角色和场景建模、交互式角色动画控制与运动生成等方面都大量应用了计算机视觉技术;同时,机器学习理论在三维人体运动数据重用以及后期智能角色动画创作中扮演了越来越重要的角色,并得到一些很好的研究成果.文中以三维人体动画创作流程为主线对这些方法的基本思想和关键技术进行了归纳与分析,并讨论了三维人体动画制作技术的发展趋势.     

机器学习在网络入侵检测中的应用

随着网络的快速发展,网络安全成为计算机网络中一个重要的研究方向。网络攻击日益频繁,传统的安全防护产品存在漏洞, 入侵检测作为信息安全的重要防护手段弥补了防火墙的不足,提供了有效的网络入侵检测措施,保护网络安全。然而传统的入侵检测系统存在许多问题,基于机器学习的入侵检测方法实现了对网络攻击的智能检测,提高了入侵检测的效率,降低了漏报率和误报率。本文首先简要介绍机器学习的部分算法,然后对机器学习算法在网络入侵检测中的应用进行深入的分析,比较各个算法在入侵检测应用中的优势和缺点,最后总结了机器学习的应用前景,为获得性能良好的网络入侵检测和防御系统奠定基础。     

基于深度学习的人体行为识别算法综述

人体行为识别和深度学习理论是智能视频分析领域的研究热点, 近年来得到了学术界及工程界的广泛重视, 是智能视频分析与理解、视频监控、人机交互等诸多领域的理论基础. 近年来, 被广泛关注的深度学习算法已经被成功运用于语音识别、图形识别等各个领域.深度学习理论在静态图像特征提取上取得了卓著成就, 并逐步推广至具有时间序列的视频行为识别研究中. 本文在回顾了基于时空兴趣点等传统行为识别方法的基础上, 对近年来提出的基于不同深度学习框架的人体行为识别新进展进行了逐一介绍和总结分析; 包括卷积神经网络(Convolution neural network, CNN)、独立子空间分析(Independent subspace analysis, ISA)、限制玻尔兹曼机(Restricted Boltzmann machine, RBM)以及递归神经网络(Recurrent neural network, RNN)及其在行为识别中的模型建立, 对模型性能、成果进展及各类方法的优缺点进行了分析和总结.     

极限学习机综述

极限学习机是一种单隐层前向网络的训练算法,主要特点是训练速度极快,而且可以达到很高的泛化性能。回顾了极限学习机的发展历程,分析了极限学习机的数学模型,详细介绍了极限学习机的各种改进算法,并列举了极限学习机在识别、预测和医学诊断领域的应用。最后总结预测了极限学习机的改进方向。     

一种只利用序列信息预测RNA结合蛋白的深度学习模型

RNA结合蛋白在选择性剪贴、RNA编辑及甲基化等多种生物功能中发挥非常重要的作用,从氨基酸序列预测这些蛋白的功能成为基因组功能注释领域的重要挑战之一. 传统的预测方法往往从序列中提取氨基酸的理化特性作为初始特征,忽略了motif及motif之间的位置信息,同时由于训练数据规模小、噪声大,导致预测的精度及可信度降低. 在此提出了一种从序列预测RNA结合蛋白的深度学习模型. 该模型利用2阶段卷积神经网络探测蛋白质序列的功能域,利用长短期记忆网络获得序列的定长特征表示并且能够学习到功能域之间的长短期依赖关系.预测算法中所用到的特征均是通过“学习”自动获得,克服了传统机器学习中特征选择过程过多的人工干预. 实验结果表明:模型在处理大规模序列数据时具有明显的优势.     

深度学习在手写汉字识别中的应用综述

手写汉字识别（Handwritten Chinese character recognition,HCCR）是模式识别的一个重要研究领域,最近几十年来得到了广泛的研究与关注,随着深度学习新技术的出现,近年来基于深度学习的手写汉字识别在方法和性能上得到了突破性的进展.本文综述了深度学习在手写汉字识别领域的研究进展及具体应用.首先介绍了手写汉字识别的研究背景与现状.其次简要概述了深度学习的几种典型结构模型并介绍了一些主流的开源工具,在此基础上详细综述了基于深度学习的联机和脱机手写汉字识别的方法,阐述了相关方法的原理、技术细节、性能指标等现状情况,最后进行了分析与总结,指出了手写汉字识别领域仍需要解决的问题及未来的研究方向.     

Human lower extremity joint moment prediction: A wavelet neural network approach

Joint moment is one of the most important factors in human gait analysis. It can be calculated using multi body dynamics but might not be straight forward. This study had two main purposes; firstly, to develop a generic multi-dimensional wavelet neural network (WNN) as a real-time surrogate model to calculate lower extremity joint moments and compare with those determined by multi body dynamics approach, secondly, to compare the calculation accuracy of WNN with feed forward artificial neural network (FFANN) as a traditional intelligent predictive structure in biomechanics.To aim these purposes, data of four patients walked with three different conditions were obtained from the literature. A total of 10 inputs including eight electromyography (EMG) signals and two ground reaction force (GRF) components were determined as the most informative inputs for the WNN based on the mutual information technique. Prediction ability of the network was tested at two different levels of inter-subject generalization. The WNN predictions were validated against outputs from multi body dynamics method in terms of normalized root mean square error (NRMSE (%)) and cross correlation coefficient (ρ).Results showed that WNN can predict joint moments to a high level of accuracy (NRMSE < 10%, ρ > 0.94) compared to FFANN (NRMSE < 16%, ρ > 0.89). A generic WNN could also calculate joint moments much faster and easier than multi body dynamics approach based on GRFs and EMG signals which released the necessity of motion capture. It is therefore indicated that the WNN can be a surrogate model for real-time gait biomechanics evaluation.     

基于深度学习的人体动作识别综述

人体动作识别是视频理解领域的重要课题之一,在视频监控、人机交互、运动分析、视频信息检索等方面有着广泛的应用.根据骨干网络的特点,从2D卷积神经网络、3D卷积神经网络、时空分解网络三个角度介绍了动作识别领域的最新研究成果,并对三类方法的优缺点进行了定性的分析和比较.然后,从场景相关和时间相关两方面,全面归纳了常用的动作视...     

人体行为识别研究综述

行为识别是计算机视觉领域意义重大的热点研究问题,它经历了从手工设计特征表征到深度学习特征表达的发展过程.从传统行为识别模型和深度学习模型两方面,对行为识别发展历程中产生的主流算法进行了归类梳理.传统行为识别模型主要包括基于轮廓剪影、时空兴趣点、人体关节点、运动轨迹的特征描述方法.其中改进的密集轨迹方式拥有良好的鲁棒性和...     

基于深度学习的单幅图像超分辨率重建算法综述

单幅图像超分辨率(Single image super-resolution, SISR)重建是计算机视觉领域上的一个重要问题, 在安防视频监控、飞机航拍以及卫星遥感等方面具有重要的研究意义和应用价值. 近年来, 深度学习在图像分类、检测、识别等诸多领域中取得了突破性进展, 也推动着图像超分辨率重建技术的发展. 本文首先介绍单幅图像超分辨率重建的常用公共图像数据集; 然后, 重点阐述基于深度学习的单幅图像超分辨率重建方向的创新与进展; 最后, 讨论了单幅图像超分辨率重建方向上存在的困难和挑战, 并对未来的发展趋势进行了思考与展望.     

神经结构搜索的研究进展综述

近年来,深度神经网络(DNNs)在许多人工智能任务中取得卓越表现,例如计算机视觉(CV)、自然语言处理(NLP).然而,网络设计严重依赖专家知识,这是一个耗时且易出错的工作.于是,作为自动化机器学习(AutoML)的重要子领域之一,神经结构搜索(NAS)受到越来越多的关注,旨在以自动化的方式设计表现优异的深度神经网络模...     

有监督SOM神经网络在入侵检测中的应用

为提高自组织特征映射(SOM)神经网络的分类性能,提出一种有监督SOM神经网络(SSOM)。在输入层和竞争层的基础上增加输出层,根据输入样本的不同预测类别,选取不同的公式调整权值,并训练网络。通过2个权值的组合,实现对样本类别的回归和统计。基于KDD CUP99入侵检测数据集的实验结果表明,与其他SOM网络相比,SSOM具有更好的分类性能和更高的入侵检测率。