基于Radon变换的特征提取在步态识别中的应用

步态识别主要通过人体走路的姿势来识别人的身份．从经过背景减除后的人体运动图像序列中,根据面积变化确定运动周期,提取人体宽度信息,对下肢进行Radon变换,经处理后提取运动角度信息．对所得到的信息主分量分析变换后进行动态时间规整,采用最近邻分类器分类．该方法可以有效地降低人体运动时身体自遮挡及影子带来的影响．在小数据库上取得了很高的识别率．实验结果表明该方法有效．     

大跨度钢箱提篮拱桥建模及动力特性分析

基于大型通用有限元软件ANSYS,利用有限元法建立了大跨度钢箱提篮连拱桥的分析模型,考虑了剪切和翘曲变形的影响,用Block-Lanczos法分析了其振动规律和动力特性,得到了大桥的振型、频率等资料数据,对大桥的动力性能做出评价,得出了一些有价值的结论,可作为同类型桥梁计算分析的参考。     

路面板温度翘曲变形对基层的作用分析

目的为了研究温度变化对水泥混凝土路面基层的影响．方法结合试验路温度场监测数据,采用三维有限元法对基层结构在温度翘曲变形及与车辆荷载耦合作用下的受力特性进行分析．结果路面板正温度梯度翘曲变形作用下产生的基层应力要显著大于负温度梯度翘曲变形作用下产生的基层应力．路面板正温度梯度翘曲变形作用下产生应力与车辆荷载应力相迭加,二者耦合应力较大,且层间约束越大,应力越大．而负温度梯度翘曲变形作用下两者相抵．结论研究表明,基层受温度变化产生的变形主要由路面板翘曲变形引起,而自身温度场变化可忽略不计．     

污水处理厂流量分配计算方法及试验研究

针对大部分污水处理厂的工艺单元均由多组系列平行独立组成,在实际运行中,受客观条件影响各系列水量分配往往不均衡,会给污水处理厂运行带来很多不利影响,在不具备计量条件的情况下需要一种便捷的方法来获取污水处理厂的配水情况的问题,提出了一种计算污水处理厂配水分布的方法.该方法基于物料平衡原理,通过直接或间接监测配水前后的水质指示指标参数波动,结合数值拟合及动态时间规整算法( dynamic time warping, DTW)对数据进行分析对比,从而计算配水分布情况.通过该方法在某大型污水处理厂进行了试验,计算结果表明模拟流量与实际流量的拟合度较好,其线性相关系数为0.948,平均误差为-2.5%.试验结果表明该方法对于污水处理厂实际应用具有一定参考意义.     

语音识别中DTW特征匹配的改进算法研究

采用基于动态规划方法的动态时间归正技术DTW(Dynamic Time Warping),可成功解决语音信号特征参数序列比较时时长不等的问题.在基于DTW的特征匹配用改进的动态时间归正方法将模板特征序列和语音特征序列进行匹配的基础上,比较两者之间的失真,得出识别判决的依据.实验表明,改进后的算法在孤立词语音识别中获得了良好性能.     

基于分段聚合时间弯曲距离的时间序列挖掘

针对时间序列的相似性度量问题,提出基于分段聚合时间弯曲距离的时间序列挖掘方法。首先运用经典分段聚合近似方法来对时间序列进行数据变换,实现时间序列的特征提取和数据降维,然后利用动态时间弯曲距离进行距离计算,最后将其应用于时间序列聚类和分类的数值实验中。新方法不仅过程简单、易于实现,而且实验结果表明其平均分类错误率与传统分段时间弯曲相比,几乎降低了50%。同时,新方法在运行时间和聚类挖掘结果上都具有一定的优势。     

利用Moldflow软件优化畚斗的冷却系统

利用Moldflow软件对畚斗的冷却过程进行模拟,根据制品原始方案的冷却分析结果,通过调整冷却水路布置、改变冷却液的温度、更改制品型芯材料,对冷却系统进行优化,得到了优化的冷却系统,从而使制品达到均匀冷却,减少翘曲变形.通过进一步调整充填+保压+冷却时间,优化了冷却时间,缩短了成型周期,提高了制品质量.制品达到了均匀冷却,减少冷却时间的目的.     

基于动态时间规整的磁偏角修正地磁匹配导航算法

在室内环境中,建筑结构会对地磁场强度和磁偏角造成一定的、较稳定的影响,所以进行室内导航时,可以利用地磁场强度和磁偏角来修正航位推算产生的累积误差。因此先采集地磁场强度和磁偏角离散数据,并采用广义延拓逼近方法对匹配区域内的离散数据进行处理,建立起三轴地磁场强度和磁偏角的数据库。其中磁偏角数据库用于优化惯性模块输出的航向角,地磁场强度数据库用于匹配导航。在测量得到的地磁场强序列与地磁数据库中的地磁场强序列的匹配过程中,由于匹配序列长度不一致的因素,因此需要引入动态时间规整的思想,并采用Hausdorff距离方法提升匹配定位精度。在测试过程中,无里程信息辅助的地磁匹配定位精度在4.65m(97.7%)以内;基于磁偏角补偿和里程信息辅助的地磁匹配平均定位精度为0.73m,其中有93.7%在1m以内,本方法可以实现亚米级的定位精度。     

Robust graph neural network method for target entity type recognition in a battlefield environment北大核心CSCD

With the rise of new combat styles, such as information and algorithmic warfare, target entity recognition in battlefield data analysis plays an important role in decision making. Battlefield situation data are typical battlefield data containing many dynamic entities with close interactions. However, such data often contain strong noise due to hostile interference or concealment; hence, they require higher robustness than general time-series data. This paper proposes a new method based on graph neural networks to represent and process the unstructured data and mine the category information of hostile combat entities. First, the dynamic time warping algorithm was used to establish a new graph structure between combat entities based on their trajectory. Then, a robust graph neural network method was proposed and applied for the type identification of combat entities beyond the radar identification range according to the node attribute information of combat entities. Test results on the simulation data set obtained from the military simulation platform reveal that the proposed method maximizes the temporal characteristics of the entity data and associated attribute information of each node. Compared with the graph neural network and multilayer perceptron methods that rely on singletime relation, the proposed method has advantages in identification accuracy and robustness, expanding the radius of operational entity identification to a certain extent. © 2023, Editorial Department of CAAI Transactions on Intelligent Systems. All rights reserved.     

连续动态手势的时空表观建模及识别

论述了复杂背景下连接动态手势的分割、建模及识别;融合手势运动信息和皮肤颜色信息,进行复杂背景下的手势分割;通过结合手势的时序信息、运动表观以及形状表观,提出动态手势的时空表观模型,并提出基于颜色、运动以及形状等多模式信息的分层次融合策略抽取时空表观模型的参数,最后,提出动态时空规整算法用于手势识别,实验表明,利用上述提出的手势分割、建模、特征参数抽取及识别方法识别１２种手势,平均识别率高达９７％。