基于多节点姿态信息融合的行人步长估计算法

针对单节点行人惯性定位算法中步长计算精度较低的问题,提出了一种基于多节点运动姿态信息融合的行人步长估计算法。首先,根据行走时足部节点Z轴加速度与X轴角速度的波峰、波谷值变化特征检测行人的步态;其次,通过腿部4个节点X轴角速度的波峰及波谷值变化特征,对足跟着地动作的识别进行约束;最后,结合行人双腿长度信息、步态检测结果及腿部俯仰角信息解算得到行人步长。实验数据表明,该步长估计算法能与身体多个部位的运动信息相结合,行人步长平均估计精度可达98.9%。     

隧道场景下行人检测DA-Zero-DCE图像增强算法

隧道图像受拍摄环境影响,存在光照分布不均、局部遮挡、噪点较多等问题,针对现有图像增强算法在优化过程中的过曝与失真,提出一种隧道图像增强算法DA-Zero-DCE(denoising-attention based zero-reference deep curve estimation)。首先,基于Zero-DCE模型,使用U-Net改进用于曲线估计的主干网络DCE-Net,并且加入坐标注意力机制来提升对图像局部区域的暗光感知能力。其次,在曲线估计主干网络后加入NAF-Net噪声去除模块,有效抑制Zero-DCE在低光照增强后的噪声。此外,为缓解增强图像的失真与过曝现象,将空间一致性损失函数的4邻域计算方式扩展为8邻域计算方式,增强输出结果平滑度。通过LOL数据集的消融实验,DA-Zero-DCE模型比Zero-DCE模型在增强结果上的PSNR(峰值信噪比)提升约10 dB,SSIM(结构相似性)提升约0.1,验证了模型的有效性和可行性。     

基于多尺度卷积策略CNN的滚动轴承故障诊断

针对一维卷积神经网络单一卷积拓扑结构在提取不同工况下的信号特征时缺乏自适应性,难以处理复杂工况下的机械故障诊断问题,提出了一种基于多尺度卷积策略的卷积神经网络(MACNN)故障诊断算法。首先将表征滚动轴承故障的一维振动信号输入模型,然后利用卷积层中的多尺度卷积结构对原始信号进行卷积运算,实现不同角度的敏感特征提取,再通过池化层进行特征信息的提炼和简化,最后利用全连接层实现检测结果输出。在公共数据集——凯斯西储大学的轴承故障数据集上进行试验,结果表明:MACNN算法和其他算法相比拥有更快的收敛速度和更高的识别准确率,为故障诊断提供了一种新的方法。同时,其在多工况下表现出的优异泛化性能说明具备工业应用的可行性。     

基于深度学习的行人检测技术研究进展

行人检测旨在从给定的场景中精确定位出每一个属于检测范围的人,在过去几十年中取得了重大的进展。它与行人重识别和行人跟踪技术相结合,在自动驾驶、人机交互、智能视频监控和人物对象行为分析等领域有着重要应用。研究了深度学习技术在行人检测领域的研究进展,就行人检测目前面临的主要问题和挑战进行了分析;调查总结了行人检测的数据集和评价标准,归纳分析了影响行人检测的关键子问题,例如网络架构、损失函数、特征表达、上下文信息和训练策略等。为该领域前沿综合研究提供参考和依据。     

基于豪斯多夫距离的快速多人脸检测算法

以豪斯多夫距离为相似性度量,提出了一种对光照及背景变化具有鲁棒性的快速准确多人脸检测算法。由于豪斯多夫距离多模板匹配算法的复杂性,采用降低模型维数,寻找感兴趣区域和用变换间距离来寻找最适宜模型等多种方法提高计算豪斯多夫距离的效率。实验结果证明该算法能快速准确检测人脸。     

基于多特征分步模糊推理的边缘检测算法

基于Mamdani模糊推理的边缘检测,将多个特征作为整体进行一步推理,但不同特征难以兼顾对模糊边缘的敏感和噪声的抑制,导致算法鲁棒性下降。为此,该文提出了一种基于重要性加权的分步推理算法,根据各特征对边缘敏感和噪声抑制的重要性分步进行模糊推理,并加权每步推理结果作为边缘隶属度。并提出了一种基于面积近似的重心法改进算式,能更好兼顾解模糊的准确性和实时性。实验结果表明了该算法的准确性、鲁棒性和实时性。     

基于CNN算法识别两类金属离子配体结合位点

蛋白质需要与配体相结合才能执行其功能,所以预测蛋白质与金属离子配体结合位点是当前重点研究课题且富有挑战性.本文选取碱土金属和过渡金属离子作为研究对象,添加了氨基酸的关联信息作为新的特征参数,采用偏差作为新的特征提取手段优化组分信息,结合位置权重矩阵提取的位点保守性信息和信息熵提取的物化特征,并使用卷积神经网络算法对两类金属离子配体结合位点进行预测,并对算法超参数进行优化,得到了较好的预测结果,Fe~(2+)、Fe~(3+)、Cu~(2+)和Zn~(2+)的Sn都超过了32%,MCC值都超过了0.384.     

基于D-S理论的多特征融合人体检测算法

提出一种基于D-S证据理论的多特征融合人体检测算法.该方法首先使用harr-like特征方法和HOG特征方法提取人体特征,然后利用后验概率密度函数,估计出两个基本概率分配函数,最后应用D-S证据理论中的合成法则,将两个特征的分类器进行融合决策.实验结果表明,本文提出的算法在Inria数据集上取得了较好的效果,满足了一般工程应用的要求.     

基于协作的三阶段启发式算法求解多行程车辆行程问题

目的/意义多行程配送,允许车辆在配送中心和客户点之间往返完成配送任务,具有低遣车成本、高配送效率等优点。配送中,客户需求由于暂时缺乏信息而不能肯定其取值,但知其大概范围呈现灰色不确定性,对配送路径决策产生影响。设计/方法针对小样本、贫信息的客户历史需求,构建灰色–马尔可夫模型预测客户灰需求,建立带灰需求的多行程车辆路径优化模型。由于灰需求的不确定性,需对原配送方案进行优化调整,提出实时调整的多行程路径优化策略。结论/发现针对灰色优化模型,引入机会约束方法,设计基于灰色模拟和禁忌搜索算法的模型优化求解算法。最后,通过算例验证了优化模型和求解算法是可行和有效的。      

基于AOD-Net和SSD的雾天车辆和行人检测

为了提高智能汽车在恶劣天气下的环境感知能力,提出一种针对雾天环境下车辆和行人的检测方法。将AOD-Net去雾算法与SSD目标检测算法相结合,实现了城市交通雾天环境下的车辆和行人检测。利用去雾处理后的雾天图片和原始带雾图片分别进行目标检测模型训练,并在不同雾浓度等级的交通环境下进行车辆和行人检测,结果显示:AOD-Net与SSD网络相结合得到的检测mAP值可达75.8%,比SSD算法的m AP值高4.1%,表明AOD-Net与SSD网络相结合的算法能更加有效地检测带雾图片中的车辆和行人。     

应用卷积神经网络的测距算法研究

针对传统的接收信号强度指示(RSSI)测距算法过于依赖经验或测距环境从而导致测距精度不高的问题,提出了一种基于卷积神经网络的测距算法。为了减小复杂测距环境下,由多径效应、非视距传输等因素造成的RSSI信号波动,通过多次测量RSSI信号来构建RSSI样本数据。将RSSI样本数据集作为输入训练卷积神经网络,并通过该网络对实时捕获的RSSI信号进行特征提取,从而估计节点之间的距离。实验结果表明:与传统RSSI测距算法相比,该算法显著提高了测距精度。     

改进Mask R-CNN算法在低光道路环境下行人检测研究

针对目标检测算法在低光条件下检测性能下降的问题,以Mask R-CNN目标检测算法为基础,将提出的图像融合模块(MSRCR-IF)引入该目标检测网络中,同时为了更好地利用特征信息,改进了特征金字塔网络,并通过调整区域提交网络以及去除实例分割分支的方式,减少检测目标所花费的时间。实验结果显示:在COCO2017数据集下提出的算法优于其他主流算法,同时在自行构建的低光道路行人数据集下达到了75.05%的平均检测精度,比改进前提高了4.66%。为了验证改进算法的有效性,进行了实车数据测试,结果显示:改进方法能有效提高低光条件下行人检测效果。     

基于改进的TCM-KNNDoS检测算法

由于实现方式简单、攻击形式多样、威胁范围广、不易防御和区分,拒绝服务(DoS)攻击已经成为网络的最主要安全威胁之一。该文提出了一种ITCM-KNN算法,在此基础上建立了DoS检测框架。使用标准数据集KDD Cup 1999进行算法验证和分析实验。采用基于信息增益算法选择了5个特征,在保证高检测效果的同时减少了特征的维数。该算法不需要对攻击进行学习和建模,使用少量的正常样本作为训练集,提高了检测性能。实验结果表明,改进的TCM-KNN算法检测率高于SVM等算法,达到99.99%。     

全局的多流量相关异常检测算法

针对现有单链路流量异常检测和全局流量异常检测方法存在的不足,该文提出一种全局的多流量相关异常检测算法。该算法利用同一异常在不同链路或OD流所产生的多个异常流量信号在频率、幅值变化特征等方面具有相似性这一特点,将这种相似性作为检测的依据来检测异常。通过每个OD流或链路的前期流量数据进行下一时刻的流量预测,将实际流量数据减去预测流量值得到异常流量值;通过多个OD流或链路之间的全局相关分析进行流量异常检测。仿真结果表明该文提出的方法能够有效地检测其他单链路和全局异常检测方法无法检测的异常。     

基于Dropout CNN的滚动轴承故障诊断研究

针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题,提出一种基于Dropout的改进卷积神经网络(Dropout CNN)结构,可以无需预先提取滚动轴承振动信号的故障特征,直接端到端的实现滚动轴承故障诊断。该方法以振动信号为监测信号,使用傅里叶变换生成振动 信号频谱图,以此作为整个系统的输入,利用卷积神经网络强大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率 高达99.5%。该方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。     

基于通道组合-数据对齐-多尺度全局CNN的MI-EEG分类

由于运动想象脑机接口(MI-BCI)范式不需要视觉刺激,应用MI-BCI范式在提高人机交互系统舒适度方面具有重要意义。为实现辅助设备的异步控制,提高模型的鲁棒性,减少通道使用数量以降低BCI系统输入的复杂性,提出一种基于通道组合(channel combination, CC)-数据对齐(euclidean space data alignment, EA)-多尺度全局卷积神经网络(multiscale global convolutional neural network, MGCNN)的运动想象脑电分类方法。通过引入大脑静息状态下的脑电信号,扩展MI-BCI输出指令集;利用CC将22通道脑电数据重构为左右对称通道加中间通道的3通道形式,重构后的数据经过EA方法规范后作为网络输入;构建多尺度卷积模块与全局卷积模块,并行提取脑电信号的局部特征和ERS/ERD全局特征;利用迁移学习提升模型的解码能力。结果表明：该方法在BCI Competition IV 2a数据集上达到了99.28%的平均准确率和0.99的Kappa值,提高了运动想象脑电分类精度,为在线异步运动想象脑机接口的应用与发展...     

基于信息生产的银企多阶段博弈分析

中小企业是中国社会主义市场经济中重要的组成部分,是拉动中国经济增长的一个重要动力。但是与其贡献不相符的是,其占有的融资资源却不到1/4,中小企业融资难的问题仍然很严峻,关系型贷款最终应运而生。信息生产是影响关系型贷款能否顺利开展的关键因素,鉴于信息生产的重要性和关系型贷款的长期性,运用信号传递博弈模型对关系型贷款策略进行了研究,指出企业如何配合银行的信息生产以及银行如何根据企业的信号传递作出正确的预期,为中国发展关系型信贷提供新策略。     

基于熵权法的行人事故多刚体仿真参数优化研究

为提高真实行人碰撞事故时多刚体模拟仿真的准确性,提出了一种根据行人-车辆碰撞过程进行多刚体模型初始参数自动优化的方法。针对真实行人碰撞事故,合理选择初始参数并构建基于熵权法的仿真准确度目标函数,通过计算机程序进行修改参数组合、提交运算及结果评价完成仿真模型的自动寻优过程。以某例真实行人事故展示了多刚体事故重建及模型优化的流程,并根据碰撞过程的人-车位置信息验证了该方法的可行性,表明可将其运用于行人碰撞事故的多刚体重建领域。     

基于SRCDKF的交互式多模型算法

给出了一种基于平方根中心差分卡尔曼滤波的交互多模型(IMM)算法.该算法较好地解决了非线性条件下机动目标跟踪的问题,可获得比基于扩展卡尔曼滤波(EKF)的IMM算法更好的数值稳定性、计算精度和收敛速度,还避免了复杂的Jacobi矩阵运算.Monte Carlo仿真验证了该算法的可行性和有效性.     

基于融合CNN和SSA-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种融合一维卷积神经网络(1D CNN)和麻雀算法优化支持向量机(SSA-SVM)的网络结构。该网络结构通过卷积运算对原始时域振动信号直接进行特征提取,将提取到的特征输入到麻雀算法优化的支持向量机中,使用支持向量机代替Softmax进行分类。利用滚动轴承故障数据进行验证,此方法故障诊断精度高达0.983,高于其他网络结构,且整体网络结构简单,有一定实际应用价值。