基于足底压力信号的步态识别

设计了一款基于足底压力传感器的足底测力系统,对压力传感器进行选型布局,设计信号调理电路,对采集到的压力信号进行放大及滤波处理,搭建硬件平台,设计信号采集界面;进行传感器标定实验以及足底测力系统实验,采集测试对象以不同步速进行平地行走以及楼梯行走时的足底压力信号;对采集到的足底压力信号进行比例运算,确定模糊集,设计隶属函数,以比例信号作为输入量进行模糊化处理,采用Larsen产品暗示法作为推理算子建立模糊规则推理,根据模糊输出信号识别出步态相位。     

基于步态的身份识别研究

步态识别作为一种新的生物特征识别技术,是通过人走路的姿势实现对个人身份的识别和认证。对隐马尔可夫模型进行研究并对算法实现中遇到的问题加以分析,在此基础上实现了利用隐马尔可夫模型的步态特征提取与身份识别方法。     

士兵不同步态行走时足底压力比较分析

目的研究士兵自然走、齐步走、正步走过程中足底平均压力、压强和冲量等参数,探索足底压力分布规律。方法实验在陕西科技大学运动生物力学研究中心进行,从部队某部随机抽取士兵10人,采用比利时Footscan USB2平板足底压力测试系统对其进行动态足底压力测试。在赤足状态下分别以自然、齐步、正步走过测试仪,每人双脚各测试3次,记录动态足底压力参数,计算不同步态下各区域的平均峰值、压强、冲量等参数特征。结果 10名受试者进入结果分析。(1)平均峰力值:自然行走时足底最大压力出现在第3跖骨,为194.08 N。齐步和正步行走时最大压力出现在足跟内侧,依次为234.36 N和300.19 N;(2)平均压强峰值:三种步态行走时最大压强均出现在足跟内侧,自然行走为502.87 k Pa,齐步走为559.04 k Pa,正步走为581.42 k Pa;(3)平均冲量峰值:自然走时,足底最大冲量出现在第3跖骨,为39.01 N.s,齐步走时为足跟内侧,为41.94 N.s,正步走时为足弓,为66.73 N.s。结论战士在不同步态行走时足底压力参数最大峰值分布部位有一定的差异,而且峰力值、峰值压强和冲量都呈现出正步走最大,齐步走次之,自然行走最小的。     

基于STM32的足底压力测量系统

人体的足底压力研究在临床医学和康复治疗方面具有重要意义。在该背景下,本文以运动人体为对象,依托人体运动时的压力特点制作了鞋垫式足底压力采集模块,该模块能够根据人体运动习惯进行压力采集。在此基础上,采用STM32微处理器、足底压力传感器、信号调理模块,无线通信模块等装置设计了足底压力测量系统。整个测量系统,能够实现对足底压力的自动采集、处理和传输,同时对足底压力信息的实时显示和存储。可为足底压力测量和分析提供进一步的参考。     

基于相位解调的光纤MEMS压力传感器

提出了一种新的压力传感器,该传感器基于Fabry-Perot腔干涉和相位解调理论测量压力。设计用MEMS技术以及普通的光通讯接插件制作出工艺简单,分辨率高的光纤MEMS压力传感器。阐述了传感器的工作原理,分析了硅膜的厚度对传感器性能的影响以及FP腔的长度对反射光信号的影响。研究了基于相位解调法的傅里叶变换方法,傅里叶解调法受光源强度波动的影响较小,解调精度高。实验结果表明改传感器在[0-3]MPa测量范围内,线性好,灵敏度可达到3.50 m/MPa（腔长改变/压力）。     

基于模糊理论决策的双向二维PCA步态识别算法

针对步态识别中的平均步态能量图像系数矩阵维数过高和分类较困难的特点,提出一种基于模糊理论决策分类的双向二维主成分分析的步态识别算法.通过预处理技术得到平均步态能量图并将得到的图像分割为多个子图像,利用双向二维主成分分析来降低平均步态能量子图像的系数矩阵维数,加快识别速度.引入模糊理论决策的方法进行最近邻分类器的分类.最后在CASIA步态数据库上对所提出的算法进行实验,实验结果表明该算法具有较好的识别性能并有较强的鲁棒性.     

一种基于平均步态能量图的身份识别算法

提出一种基于步态能量图（GEI）的嵌入式隐马尔可夫模型（e-HMM）身份识别方法。首先通过预处理提取出运动人体的侧面轮廓,根据步态下肢的摆动距离统计出步态周期,得到平均步态能量图。对能量图的各区域进行分析,利用二维离散余弦变换（2D-DCT）将能量图观测块转化为观测向量,实现嵌入式隐马尔可夫模型的训练和身份识别。最后在USF和CASIA步态数据库上对所提出的算法进行实验。实验表明该方法具有较好的识别性能,是一种有效的步态识别方法。     

基于神经网络的行人步态识别系统研究

步态识别作为一种核心的识别方法,其识别精度和成本直接影响该技术在相关领域的监测效率和结果,现有的关于步态分析的研究仍存在识别成本高、识别精度低等缺点,该文在已有研究的基础上提出了基于步态的行为识别方法,并基于该方法开发出一套简洁、灵活的图像数据采集系统,利用傅里叶变换、四分位差等理论降低步态特征中的维度并简化行为参数的提取步骤,并通过应用装置及模式识别试验进行验证。试验结果验证了该方法的有效性,该方法识别精度提高至98.7%,机器学习性能度量Equal Error Rate(EER)低至1.96%,在提高识别精度的同时有效提高了计算效率。     

基于小波分析ARMA模型的气体压力识别

提出了内燃机缸内气体压力的一种新的间接识别方法。利用缸盖振动响应信号建立盖系统的ARMA模型，并用小波包变换方法对缸盖振动响应信号进行去噪和分形，将重构后的缸盖振动响应信号作为缸内气体压力识别的原始数据，大大提高了识别精度。计算的结果与实测的结果吻合较好，本文的研究对内燃机的状态监测和故障诊断具有实用价值。     

基于多源生物信号的下肢步态相识别

为提高人体下肢步态相识别的准确性,研究了融合表面肌电信号(sEMG)、膝关节角度和足底压力信号的人体下肢步态相识别方法。首先, 将sEMG信号进行小波包分解提取多尺度能量和多尺度模糊熵特征;然后,对提取的sEMG信号特征值采用主成分分析（PCA）方法进行降维处理,并与足底压力特征值和膝关节能量特征值构成一组特征向量;最后,将特征向量输入粒子群优化最小二乘支持向量机（PSO-LSSVM）对人体下肢运动信息进行步态相识别。实验结果表明,所提方法相较于其他方法有较高的识别准确率和有效性。     

An efficient gait recognition based on a selective neural network ensemble

The neural network ensemble is a learning paradigm where a collection of neural networks is trained for the same task. Generally, the ensemble shows better generalization performance than a single neural network. In this article, a selective neural network ensemble is applied to gait recognition. The proposed method selects some neural network based on the minimization of generalization error. Since the selection rule is directly incorporated into the cost function, we can obtain adequate component networks to constitute an ensemble. Experiments are performed with the NLPR database to show the performance of the proposed algorithm. © 2008 Wiley Periodicals, Inc. Int J Imaging Syst Technol, 18, 237–241, 2008; Published online in Wiley InterScience (www.interscience.wiley.com).     

基于数据融合的红外目标识别

为了获得良好的红外目标识别性能,综合应用了图像处理、模式识别和数据融合领域内的新技术.采用了神经网络和证据理论集成的数据融合方法进行目标识别的数据融合.根据LVQ神经网络在目标识别领域内应用特点,构造了基于证据理论的基本概率赋值函数.对此目标识别技术进行了测试,结果表明,采用此技术后的识别的可信度得到了较大提高.     

基于DSP的运动人体识别算法实现及其优化

运动人体识别算法由人体目标提取、头部定位、肢体分割和人体建模四部分组成.文中阐述了算法的基本原理,分析了影响算法速度的主要函数和原因.分析发现人体目标提取和肢体分割模块占用了算法时间的96%.傅里叶变换和移动向量计算成为影响肢体分割算法速度的"瓶颈",而中值滤波和形态学滤波则是影响人体目标提取算法速度的"瓶颈"因素.针对TMS320C6000DSP体系结构特点,提出了算法优化策略.通过合理配置编译器优化选项、采用内联函数、分解多层循环、指定存储器相关性,以及合理选用标准库函数的方法对算法进行了优化.实验结果表明,优化后的算法执行速度大大提高.     

Structural phase stability of ThSb and ThAs under pressure

The high-pressure behaviour of thorium monopnictides is of considerable interest as these systems exhibit structural phase transitions under pressure. At ambient conditions these compounds crystallize in the NaCl-type (B1) structure. Experiments show that with the application of pressure these compounds transform to the CsCl-type (B2) structure. ThSb and ThAs are found to exhibit B1–B2 transition in the pressure range between 9–12 GPa and 1826 GPa respectively. In this work, we present the electronic and high-pressure behaviour of ThAs and ThSb performed using the tight-binding linear muffin-tin orbital method. The total energies within the atomic sphere approximation were calculated as a function of volume for both the B1 and B2 structures. The total energy calculations reveal that both ThSb and ThAs are stable in the B1 structure at ambient conditions and undergo structural transition to the B2 structure at pressures 78 and 240 kbar respectively, which are in good agreement with the experimental values. The calculated values of equilibrium lattice parameter and the transition pressure are found to be in good agreement with the experimental results.     

基于粗糙集和神经网络的联合模式识别系统

提出了一种划分属性离散区间的新方法．针对这种划分，提出一种约简和去噪的方法．随后，建立了粗糙集和LVQ神经网络的联合模式识别系统．最后，比较了用该系统和仅用神经网络进行识别的效果，证明了该方法的有效性．     

基于卷积神经网络和Transformer网络的鸟声识别

针对传统鸟声识别算法中特征提取方式单一、分类识别准确率低等问题,提出一种结合卷积神经网络和Transformer网络的鸟声识别方法。该方法综合考虑网络局部特征学习和全局上下文依赖性构造,从原始鸟声音频信号中提取短时傅里叶变换(Short Time Fourier Transform,STFT)语谱图特征,将其输入到卷积神经网络(ConvolutionalNeural Network,CNN)中提取局部频谱特征信息,同时提取鸟声信号的对数梅尔特征及一阶差分、二阶差分特征用于合成梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)混合特征向量,将其输入到Transformer网络中获取全局序列特征信息,最后融合所提取的特征可得到更丰富的鸟声特征参数,通过Softmax分类器得到鸟声识别结果。在Birdsdata和xeno-canto鸟声数据集上进行实验,平均识别准确率分别达到了97.81%和89.47%。实验结果表明该方法相较于其他现有的鸟声识别模型具有更高的识别准确率。     

基于混沌理论和支持向量机的人脸识别方法

针对如何选定主成分分析(PCA)特征维数和如何选定支持向量机(SVM)的参数来进一步提高人脸识别系统性能的问题,提出了一种基于混沌理论和支持向量机的人脸识别方法.首先,在统一的目标函数下,在采用PCA方法对人脸图像进行降维和将得到的特征送入SVM中进行训练期间,使用具有可操作性的改进混沌优化算法同时对PCA图像特征维数和分类器参数进行优化选择,然后用得到的优化人脸特征和最佳参数的分类器对未知图像进行识别.基于该方法,对ORL和Yale人脸库进行实验,其识别率都高达99%以上,仿真结果表明,该方法极大地提高了人脸识别能力.     

基于改进一维卷积神经网络的滚动轴承故障识别

滚动轴承的故障识别对于防止旋转机械系统故障恶化并保证其安全运行具有重要意义.针对现有智能诊断模型参数多、识别效率低的问题,提出一种基于改进一维卷积神经网络的滚动轴承故障识别(FRICNN-1D)方法.通过引入1×1卷积核增强一维卷积神经网络模型的非线性表达能力;并用全局平局池化层代替传统卷积神经(CNN)网络中的全连接...