基于MEMS惯性传感器的人体多运动模式识别

针对人体多运动模式识别中识别精度低的问题,提出一种基于MEMS惯性传感器的人体多运动模式识别算法。该算法选取MEMS加速度传感器的时域特征作为模式识别特征量,提取MEMS角速度传感器的时域特征作为二次识别的特征量,能够准确识别走、跑、站立、上楼、下楼、趴倒、躺倒、倒退多种运动模式。识别过程采用分层识别算法,同时使用支持向量机识别区分难度较大的两类行为动作。嵌入式消防单兵定位系统平台的实验验证表明,利用该算法能够识别消防单兵的多运动模式,平均识别精度达到94%以上。     

多输入—多输出实验模态参数识别（2）：时域识别法及其内在联系

本文在多输入——多输出实验模态参数识别技术离散统一模型的基础上,介绍了几种得到广泛应用的多输入——多输出实验模态参数时域识别技术,如直接参数模型识别法,Polyreference 识别法,Ibrahim 时域法和特征系统实现算法(ERA),并将这几种算法统一在一个基本的数学模型—离散的统一模型上,指出了这几种识别方法相互之间的联系。     

一种模式识别神经网络重力匹配算法

从模式识别的角度分析了搜索模式下水下运载体的重力匹配问题,利用模式识别神经网络实现重力匹配定位。在重力图匹配时,以惯性导航仪指示位置为中心规划真实位置的网格点搜索范围,从参考重力图上提取相应一系列的重力数据,与对应网格点的位置一起定义成多个模式类,构造相应的模式识别概率神经网络,运用该神经网络将实时重力测量数据识别到某个模式类,对比模式类的定义确定载体位置。在实测重力图上对重力辅助惯性导航系统进行了计算机仿真研究。结果表明,在重力场特征显著区域该重力匹配算法能够有效减小厄特弗斯效应的影响,其导航系统定位误差小于一个重力图网格,匹配率在80%以上,匹配效果优于一般的相关匹配算法。     

基于多头自注意力机制和Bi-GRU的人体动作识别算法

目前基于惯性传感器的人体动作识别技术具有自主、可靠等优点，但现有人体动作识别算法结构复杂、参数量大、识别精度低。针对以上问题，提出了一种基于多头自注意力机制和双向门控循环单元（Bi-GRU）的人体动作识别算法。该算法首先通过多头自注意力机制无视时间间隔地计算数据之间关联特征，再将关联特征与原始数据拼接，输入到深度Bi-GRU网络中提取顺序特征，最终通过Softmax层识别人体动作。采用YESENSE公司开发的YIS360-V姿态仪搭建了人体动作识别算法验证平台，在此基础上建立训练-测试数据集并进行了实验验证。实验结果表明，所提算法较传统Bi-GRU算法，参数量由40695个减少到18337个，识别准确率由93.36%提升至95.26%。     

一种基于智能手机终端的远程人体姿态监测系统

为了利用便携式设备准确监测老年人的跌倒状况,提出了一种基于softmax回归的多种行为模式分类识别方法,设计并实现了基于智能手机终端的远程人体姿态监测系统。首先,构建softmax分类器分析8种日常行为模式下的加速度模值特征,由于跑步时加速度模值与突然跌倒时类似,引入倾斜角特征进行二次判别,从而识别出突然跌倒行为;针对缓慢跌倒行为下加速度模值特征不明显的问题,在softmax分类器中引入躺倒时间特征,通过设置躺倒时间阈值并判断原始位置是否在时间阈值内恢复,从而识别出缓慢跌倒行为。实验与测试结果表明,该系统准确度为95.40%,特异度为95.33%,灵敏度为95.50%,具有较高的跌倒行为识别精度,对老年人的健康状态监测提供了一种可行方案。     

基于MEMS传感器的手臂运动测量和识别方法

针对传统人体运动识别方法的局限,研究了一种新的基于MEMS陀螺仪、加速度计和磁强计的人体手臂运动状态测量和识别方法。通过惯性测量单元测量人体手臂运动信息,利用卡尔曼滤波算法对手臂运动的姿态角进行精确估计,可计算出手部运动轨迹。手部运动轨迹特征值和传感器测量信号的时域特征值结合起来,使用BP神经网络和SVM算法对画横线、竖线、斜线和封闭线等四种典型手臂运动状态进行识别,识别率较传统方法得到提高,分别达到97.14%和100%,表明基于MEMS传感器的人体手臂运动测量和识别方法不仅使用简单、安装方便,而且识别率高,该法具有可行性和有效性。     

时域自适应算法求解移动荷载下梁的多宗量反问题

通过一种时域自适应算法,建立了求解变速移动荷载下梁的多宗量反问题的数值模型,可同时识别移动荷载和梁的物性参数.正问题采用时域自适应算法和FEM建模,并可由此方便地推导敏度公式;在反问题求解中采用Levenberg-Marquardt法,计算表明该方法具有较好的抗不适定性.通过两个算例,对所提算法进行了数值验证,并探讨了噪声和测点的变化对反演结果的影响,结果令人满意.     

一种基于人体运动状态识别的行人航迹推算方法

针对目前行人导航技术中人体运动状态分类不完善和运动状态识别精度不足而导致定位精度不高问题,提出一种基于人体运动状态识别的行人航迹推算(PDR)算法。定位人员首先通过手持智能手机,在多种运动状态随机切换情况下,利用基于合加速度波形的单峰值检测法,完成不同运动状态下的步频及计步检测;然后通过分析和筛选加速度的时域特征,构建线性支持向量机(SVM)多分类器,并提出相邻步态约束法完成多种运动状态的准确识别;最后设计新的PDR模型,将运动状态识别结果应用于PDR定位解算,实现二维平面内人体多运动状态下的智能手机导航定位。实验结果表明,所提算法在行人多运动状态下的定位误差优于1.6%D,为行人惯性导航技术的实际应用提供了更多的适用范围。     

基于手机惯性传感器与多特征CNN的驾驶行为识别算法

不良驾驶行为识别对于减少交通事故的发生及实现智能交通具有重要意义。针对目前驾驶行为识别精度不高及系统稳定性不好问题,提出了一种基于多特征卷积神经网络和智能手机惯性传感器的新型驾驶行为识别方法。通过获取手机惯性传感器数据,利用多特征卷积神经网络对数据集进行特征提取和分析,来实现对多种驾驶行为的识别。最后,利用实际采集的车载数据进行不同方法试验对比,该算法对驾驶行为的分类精度达到97.14%,在识别精度上有一定优势。此外,MFCNN测试结果的方差仅为0.014 391,小于其它3种网络模型,可见所研究的网络模型及方法更加稳定可靠。     

基于最邻近规则的移动端行人运动特征辨识

针对当前行人运动特征监测方案中存在运动信息种类单一、特征提取不完善、识别算法复杂且需要依赖专业检测设备等问题,提出基于智能移动端内置惯性传感器的行人运动特征自动辨识方案,为运动特征识别提供准确多样的运动信息。采集移动端MEMS加速度计输出信息后,分别提取加速度数据的三种时域及频域特征后,通过训练最邻近规则分类器实现行人行走、跑步和上下楼梯运动模式的自动识别。不同年龄不同身高的男女性运动特征提取实验结果表明,基于最邻近规则的移动端行人运动特征辨识方法对4种日常活动的平均查准率和查全率分别达到88.7%和90.3%,对提高微惯性行人导航系统普适性具有促进作用。     

基于SHAP-RF框架的越野车辆路面识别算法研究

根据越野车辆在不同路面上行驶时的动力学响应特征, 可以实现路面类型的在线识别, 为面向路面特征调整底盘控制子系统参数从而获取更好的行驶性能奠定基础. 但越野环境地面特征复杂, 车辆响应机理分析困难, 给基于车辆动力学响应进行路面准确识别带来挑战. 提出了一种SHAP-RF路面识别算法设计框架, 通过SHAP (Shapley additive explanations)模型解释方法实现高维随机森林(random forest, RF)路面识别模型的降维化: 首先采集了试验车在压实土路、沙地、良好沥青路与冰雪路4种路面上的行驶数据并计算了3个次级行驶特征; 进一步计算了行驶数据的共计105个时域特征和频域特征, 并以此为输入特征建立了高维随机森林路面识别模型; 利用SHAP解释法分析高维模型输入特征对识别结果的影响从而提炼出各个特征与路面类型的关联性, 完成特征筛选; 最后, 利用筛选后的特征设计降维随机森林路面分类器. 基于实车数据的算法验证试验表明, 设计的降维路面识别模型对4种路面的识别精确率在94%以上, 召回率在93%以上, 相比高维的随机森林路面识别模型, 各种路面上的精确率和召回率最大降幅不超过3.2%, 证明本文提出的SHAP-RF路面识别算法设计框架能够在选用较少特征的情况下依然保证车辆行驶路面类别的准确识别.      

GA-BPSO混合优化中红外光谱特征波段筛选的润滑油添加剂种类识别技术

针对各种设备润滑油中微量多品种添加剂种类识别问题,提出二进制粒子群算法结合遗传算法(GA-BPSO)混合优化中红外光谱特征波段筛选方法. 首先建立K近邻算法(KNN)和随机森林算法(RF)的润滑油添加剂种类识别基础分类模型;然后通过GA-BPSO混合优化算法在光谱全波段范围内筛选特征波段区域,消除干扰及无效信息,压缩庞大光谱数据集,降低搜索空间维度;再以模型识别准确率作为评价标准,用优选出的特征波段在基础分类模型上构建高性能增强分类模型. 选取硫化异丁烯(T321)、烷基二苯胺(T534)和硫化磷酸胺盐(T307) 三种润滑油添加剂作为测试对象,以不同配比混合在基础油中,采集配制样品的中红外光谱数据,并划分为训练集与测试集,分别导入基础分类模型与增强分类模型进行训练及测试. 结果显示,GA-BPSO优化筛选特征波段,使KNN的有效波段长度削减至原来的16.4%,识别准确率从70%提高到89.58%;RF的有效波段长度削减至原来的15.8%,识别准确率从85%提升至97.5%. 对比研究发现,GA-BPSO混合特征波段优选方法明显优于GA和BPSO单独使用时的筛选结果,在极大地减轻运行负担的同时,有效提高了模型多种类同步识别的准确率和稳定性.      

基于三角形周长的暗星全天球自主快速识别

随着星敏感器极限探测星等能力的提高,导航星暗星数目及识别特征库急剧增加,造成星图识别耗时长,误匹配率高。通过介绍传统的三角形星图识别算法原理及不足,结合主星识别算法思想,以主星对星角距和周长为识别特征,提出了一种基于三角形周长的暗星全天球自主快速识别算法。由于9.0Mv全天球导航特征库的构建过于繁琐,为了提高运算速度,采用NVIDIA图像处理器(GPU)并行计算架构,通过CUDA计算比CPU获得了20倍以上的加速。对特征库按周长构造了散列函数,分段存储成若干个子块。识别过程中,对观测三角形周长采用哈希查找法实现子块的快速定位,星角距的识别只在相应的子块内进行,提高了识别速度,增加了识别成功率。用实拍星图分别对基于星角距和周长特征的识别算法进行了验证,实验表明,两种算法均能实现9Mv星的识别,平均识别时间分别为37.7123 s和2.0422 s,后者具有明显的优势,能够大大提高星敏感器的数据更新率。     

Pattern Recognition and Synchronization in Pulse-Coupled Neural Networks

This paper establishes and studies equations of a network that is composed of neurons with their dendrites and axons. The pulse generation in the axon is described by means of phase oscillators, whereas the dendritic currents are described by linear damping equations with source terms as which the incoming pulses act. The equations take into account delays and noise. In the case of phase-locking the equations have been solved previously by the author. The main objective of the present paper is to study in how far these equations may serve for pattern recognition. It is shown that either a random phase approximation for the stored patterns or a triple interaction term suffice to treat pattern recognition. It is pointed out how then recognized patterns can be either encoded as completed prototype patterns or as phase-locked states. It is suggested that to understand pattern recognition it is not only necessary to consider the whole network instead of “grandmother” cells but equally well the whole intermediate steps.     

Recognition of gas–liquid two-phase flow patterns based on improved local binary pattern operator

A new method to pattern recognition of gas–liquid two-phase flow regimes based on improved local binary pattern (LBP) operator is proposed in this paper. Five statistic features are computed using the texture pattern matrix obtained from the improved LBP. The support vector machine and back-propagation neural network are trained to flow pattern recognition of five typical gas–liquid flow regimes. Experimental results demonstrate that the proposed method has achieved better recognition accuracy rates than others. It can provide reliable reference for other indirect measurement used to analyze flow patterns by its physical objectivity.     

基于提高频率灵敏度的结构损伤统计识别方法

提出了一种基于反馈控制结构动力特性的损伤统计识别方法。该方法采用基于独立模态空间的反馈控制,有目的地配置闭环系统的极点,根据损伤前后闭环系统的特征值构造损伤指标。采用假设检验判断损伤是否发生,并剔除特征量中损伤程度的影响,采用统计模式识别方法识别损伤位置。Benchmark结构的数值算例表明,本文提出的损伤识别方法能够较显著地提高模态频率对刚度变化的灵敏度,准确有效地检测在噪声环境下结构小损伤是否发生以及识别损伤位置。     

基于粗集—模糊理论的柴油机磨损模式识别

在总结柴油机磨损模式的磨粒分析基础上,首次提出在柴油机磨损模式识别中采用基于粗集和模糊理论相结合的模式识别方法。在建立磨损形式标准样本库的基础上,利用粗集理论对标准样本知识库进行简化和权重集计算,然后利用模糊理论确定隶属函数,最后给出结论。     

基于模式运算的工程设计方法

研究了复杂的工程设计决策过程,讨论了设计问题的五个性质,提出了两类不同速度的设计过程:以模式识别为基础的快速设计过程和以模式加法、模式联想为基础的慢速设计过程。此外,还讨论了模蝴集合论和人工神经网络在实现模式运算中的应用。     

基于MEMS加速度传感器的步态识别

针对最小采集约束条件和经历长时间跨度下识别率低的问题,提出一种基于MEMS加速度传感器的步态识别算法。该算法以右髋部位置采集加速度信号构造多个高斯差分尺度空间,利用局部关键点生成稀疏表示的步态特征位置模板,并采用模板融合来有效转换稀疏性步态周期特征,最后利用最近邻算法和投票机制对步态特征进行识别。在公开的含175名测试者的步态加速度数据集上进行测试,实验结果显示识别率为98.67%和认证率为99.89%,并进一步研究了测试集和训练集样本数目对识别效果的影响,验证了特征提取的有效性和稳定性。     

基于卷积神经网络的钝体尾迹识别研究

针对相同特征长度不同钝体的尾迹结构相近,肉眼难于分辨的问题,提出了一种基于卷积神经网络的钝体尾迹识别方法,并在竖直肥皂膜水洞的典型钝体模型尾迹实验中获得高准确率验证.实验平台由自建竖直肥皂膜实验装置、钝体模型(方柱、圆柱和三角柱)及图像采集系统组成,可基于光学干涉法实现对不同速度下钝体肥皂膜尾迹的高清持续拍摄.所建立卷...