利用置信规则库构建WSN节点故障检测模型

在无线传感器网络(wireless sensor network, WSN)节点故障检测领域的研究过程中,故障检测准确率会受节点数据的不确定性和专家知识模糊性的影响。针对这一问题,本文提出了一种基于置信规则库(belief rule base, BRB)的WSN节点故障检测方法。首先,根据WSN工作原理及节点工作特性描述WSN节点故障检测过程;然后,从空间和时间2个维度对节点数据提取特征,建立基于空间和时间相关性的WSN节点故障检测模型;最后,利用Intel Lab Data无线传感器数据集进行案例研究以验证模型的有效性。结果证明,本文方法能够统筹利用专家知识和节点数据实现WSN节点故障检测。     

基于虚拟力引导的人机协同目标抓取方法

针对力反馈遥操作中传统人工势场法无法适应于机械臂整体的避障以及在作业过程中操作者难以控制机械臂到达所需位姿的问题,提出了一种基于虚拟力引导的人机协同目标抓取方法。力反馈设备向操作者提供力觉交互。通过结合人工势场法和虚拟夹具,构建管道形虚拟力场,生成实时虚拟力引导,实现协助操作者完成从端机器人的整体避障任务并在完成避障后引导机器人返回预定义路径并趋近目标点。当进行抓取任务时,构建锥形虚拟力场,实现协助操作者操作机械臂到达目标位置和姿态。此外,提出了一种机器人运动限制方法以降低操作者的操作失误对抓取任务的影响。实验证明,该方法能有效提高目标抓取操作的成功率和操作效率。     

基于互信息的多块k近邻故障监测及诊断

由于传统的k近邻故障监测不考虑过程的局部信息,只建立一个全局模型,因此提出一种基于互信息的多块k近邻故障监测方法。首先,考虑建模数据的非线性和非高斯等特性,基于变量间的互信息进行子块构建;然后,利用k近邻方法对每个子块进行建模与监测,子块中的k近邻模型反映了更多的过程局部特征;最后,将所有子块的监测结果通过贝叶斯推断方法进行融合,并采用基于马氏距离的故障诊断方法辨识故障源。通过对田纳西-伊斯曼过程和高炉炼铁过程中的应用仿真,监测结果表明所提方法的可行性和有效性。     

一种Anchor Free的无人机检测方法

目前几乎所有最先进的目标检测方法都依赖于预先定义的anchor,但是由于anchor的存在,网络会增加与anchor相关的计算开销,而且在现实世界中,目标尺度多种多样,比如地对空拍摄的无人机目标,预先定义的anchor不可能穷举所有的无人机尺度。因此,该文抛弃预先定义的anchor,采用anchor free的方法来检测无人机。该anchor free方法以目标中心区域的像素为训练样本来逐像素预测边界框的偏移量。针对地对空拍摄的无人机目标大部分都是小尺度的情况,采用高分辨率网络HRNet作为主干网络来提取小目标细粒度的特征,从而提高小目标检测的精度。相对于基于anchor的目标检测方法,该网络框架简单、灵活,并且可以自适应地预测无人机目标的边界框。在自己设计的无人机数据集上,该方法获得了更高的召回率和精确率。     

基于EDA和回译的导游投诉文本混合增强方法

近年来,使用机器学习算法从导游投诉文本数据中识别出导游违规行为,辅助旅游监管人员工作,为旅游监管提供依据,成为一个必然趋势。然而导游投诉文本存在着语料单一、难以获取等困难,如何对这些导游投诉文本进行文本增强以满足导游违规行为识别需要,是一个迫切需要解决的问题。针对这一问题,提出了一种基于EDA(easy data augmentation)和回译的导游投诉文本混合增强方法。从EDA和回译两个角度对导游投诉文本进行增强,将两种方法返回的增强投诉语料进行混合,得到最终的增强文本;并将该方法在实际的导游违规行为识别系统中进行了应用与验证。通过大量实验对该方法与传统的EDA文本增强方法、回译文本增强方法进行了分析与对比,实验数据表明,基于EDA和回译的导游投诉文本混合增强方法相对于其他两种传统文本增强方法具有更高的准确率和更优秀的文本增强效果,应用在实际的导游违规行为识别系统中得到了87.54%的准确率,相比原始数据集准确率提升了7.4%。     

利用混合高斯和拓扑结构的人体“鬼影”抑制算法

若在建模时存在目标,部分目标像素会进入背景模型,会在检测时产生“鬼影”。为了有效抑制“鬼影”,提出一种利用混合高斯和拓扑结构(Gaussian mixture model and topological structure,GMMT)的人体“鬼影”抑制算法。算法分为两个阶段,背景建模阶段采用双通道建模,通道一利用混合高斯模型进行预检测,接着利用拓扑结构将分散的人体目标连接获得完整的目标并取其外接矩形,然后将矩形外的像素加入背景模型,经过多帧的建模得到空背景;通道二使用多帧平均法计算背景模型。通过设置建模帧数的阈值T选择建模方式,若建模帧数小于T则使用通道一建模,否则使用双通道联合建模。目标检测阶段利用改进的背景差分法实现人体分割并进一步消除 “鬼影”。经过测试,GMMT在建模阶段存在目标的情况下可有效地抑制 “鬼影”。     

改进YOLOV3算法的视频目标检测

由于监控中的行人检测存在背景复杂,目标尺度和姿态多样性及人与周围物体互相遮挡的问题,造成YOLOV3对部分目标检测不准确,会产生误检、漏检或重复检测的情况。因此,在YOLOV3的网络基础上,利用残差结构思想,将浅层特征和深层特征进行上采样连接融合得到104×104尺度检测层,并将K-means算法聚类得到的边界框尺寸应用到各尺度网络层,增加网络对多尺度、多姿态目标的敏感度,提高检测效果。同时,利用预测框对周围其他目标的斥力损失更新YOLOV3损失函数,使预测框向正确的目标靠近,远离错误的目标,降低模型的误检率,以改善目标间互相遮挡而影响的检测效果。实验结果证明,在MOT16数据集上,相比YOLOV3算法,提出的网络模型具有更好的检测效果,证明了方法的有效性。     

时序行为提名的上下文信息融合方法

在针对视频的人体活动定位和识别领域中,现有的时序行为提名方法无法很好地解决行为特征长期依赖性而导致提名召回率较低。针对此问题,提出了一种上下文信息融合的时序行为提名方法。该方法首先采用三维卷积网络提取视频单元的时空特征,然后采用双向门控循环网络构建上下文关系预测出时序行为区间。针对门控循环单元(GRU)存在参数较多和梯度消失的问题,通过输入特征控制门结构增强并行计算能力,通过引入加权平均增强历史和当前时刻信息融合能力,提出了一个简化的门控循环单元(S-GRU)。最后在数据集Thumos14上进行实验验证和比较,结果表明基于双向S-GRU循环网络的时序行为提名方法提高了提名召回率。     

Attention-CNN在恶意代码检测中的应用研究

恶意代码攻击已经成为互联网最重要的威胁之一,并且现存的恶意代码数据庞大,特征多样。为了更好地提取恶意代码特征以及掌握恶意代码的行为,提出了基于注意力机制的Attention-CNN恶意代码检测模型。首先结合卷积神经网络(CNN)和注意力机制,构建了Attention-CNN恶意代码检测模型;然后将恶意代码转化为灰度图像作为模型输入,通过对Attention-CNN模型训练及测试得到恶意代码对应的注意力图以及检测结果;最终将从恶意代码注意力图中提取的重要字节序列用于人工分析,以揭示恶意代码的相关行为。实验结果表明,相比于支持向量机(SVM)、随机森林、J48.trees以及未结合注意力机制的CNN,Attention-CNN取得了更好的检测效果。相比于vsNet,Attention-CNN在准确率方面提高了4.3个百分点。并且从注意力图中提取的重要字节序列能够有效减轻人工分析的负担,获取恶意代码的相关行为,同时弥补了灰度图形式的恶意代码检测的不可解释性。     

融合共现推理的Faster R-CNN输电线路金具检测

为促进目标检测模型与电力领域业务知识有机融合,缓解金具样本间长尾分布问题,有效提升输电线路金具的自动化检测效果,提出了融合共现推理的Faster R-CNN(faster region-based convolutional neural network)输电线路金具检测模型。首先,深入研究输电线路金具结构化组合规则,通过数据驱动的方式以条件概率对金具目标间的共现连接关系进行有效表达;然后,结合图学习方法,利用学习并映射的共现概率关联作为共现图邻接矩阵,使用基线模型(Faster R-CNN)提取的特征向量作为图推理输入特征,以自学习的变换矩阵作为共现图传播权重,完成图信息传播并实现有效的共现推理模型嵌入。实验证明,融合共现推理模块的Faster R-CNN模型较原始模型提升了6.56%的准确率,对于长尾分布样本中数量较少的金具性能提升尤其显著。