基于LSTM的软刚臂单点系泊力预测方法研究

软刚臂单点系泊系统是一种在浅水中对浮式生产储卸油装置FPSO进行定位的重要装备。针对软刚臂单点受力的实时预测问题,提出了一种利用深度学习算法(长短期记忆神经网络模型LSTM)搭建适合软刚臂单点的人工神经网络模型,利用OrcaFlex耦合计算软件提供数值样本,通过Tensor Flow和Keras深度学习框架,形成软刚臂单点系泊力深度学习模型,用于实现系泊力的实时预测。通过深度学习预测值与数值计算值的实例对比,验证了模型的准确性。     

数据驱动下交通异常行为的双层识别模型

为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine, SVM)、监督学习与长短期记忆(long short term memory, LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation, NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识...     

基于深度学习进行动作模仿的舞蹈机器人

为了增强智能机器人的人机交互性,探索了人类对图像的认知理解过程在机器人上的实现方案.以舞蹈机器人作为研究对象,将舞蹈的视频信息作为输入,利用深度学习方法对视频中的人体姿态进行估计,得出人体的关键点位置坐标;再利用机器人逆运动学计算求解得到机器人各关节角度值,调整下半身关节角度值来保持机器人的平衡.最终在优必选Alpha ebot人形机器人上进行了实验.结果表明该系统可通过分析RGB图像对画面中的动作进行模仿,提高了机器人舞蹈的灵活性与交互性.     

基于eBPF与LSTM的DDoS攻击检测系统

针对网络异常流量检测中的DDoS攻击检测,以往的基于深度学习的解决方案都是在脱离系统实体的数据集上构建模型和优化参数,提出并实现一种使用Linux内核观测技术eBPF(extended Berkeley Packet Filter)与深度学习技术结合的基于网络流量特征分析的网络异常流量检测系统。系统采用eBPF直接从Linux内核网络栈最底层高效地采集网络流量特征数据,然后使用基于长短记忆网络LSTM(Long Short Term Memory)构建的深度学习系统检测网络异常流量。在具体实现中,系统首先通过Linux内核网络栈最底层XDP(eXpress Data Path)中的eBPF程序挂载点采集网络流量特征数据。之后,使用LSTM构建神经网络模型和预测分类。将系统应用于一个仿真实验网络环境得出的实验结果表明,系统的识别精确度达到97.9%,同时,在使用该系统的情况下,网络中的TCP与UDP通信的吞吐率仅平均下降8.53%。结果表明：系统对网络通信影响较低,同时也实现了较好的检测效果,具有可用性,为网络异常流量检测提供了一种新的解决方法。     

基于深度学习的交通路口自动识别

基于车辆轨迹数据提取道路信息已经成为数字地图更新的一种有效而廉价的方法，引起了广泛的研究。交通路口是道路信息的重要组成，如何快速而准确提取交通路口具有一定的挑战。深度学习的快速发展为解决这一问题提供了一种新的思路。本文针对轨迹数据在交通路口的分布特性，首先提出一种基于LSTM深度学习的转弯轨迹模式自动提取方法，通过统计航向变化规律对路口转弯轨迹进行建模分类，然后采用LSTM深度模型学习轨迹时间序列，从而实现转弯轨迹模式的自动识别，训练好的模型可以对新的未知轨迹数据实现自动快速地提取转弯轨迹。其次，针对因路口转弯点的稀疏性而影响准确定位路口中心这一难点，本文提出一种联合补偿点计算和转弯轨迹航向变化幅度的方法选取路口候选点，然后通过聚类路口候选点识别道路交叉口。为验证和评估该方法的有效性，采用福州市鼓楼区出租车实际轨迹数据进行测试。结果表明，该方法道路交叉口识别准确率达到96.7%，为电子地图实时更新及无人驾驶自动导航应用等提供关键技术支持，同时我们开放该方法源代码和实验数据，以便于其他研究者开展相关研究。     

基于Kinect的原地太极拳辅助训练系统

为促进太极拳教学训练的科学化、规范化,提出并设计了基于Kinect运动捕捉技术和角度、速度特征提取的太极拳辅助训练系统,应用动态时间规划算法(DTW)采样对应帧,替代传统等间隔采样关键帧的方法。系统由学习模块、动作采集模块和动作评分模块组成。学习模块配有标准动作教学视频,能够满足学员学习要求;动作采集模块采用微软开发的Kinect设备,针对原地太极拳动作中人体骨架的20个关节的空间坐标进行数据采集,然后经过滤波降噪及遮挡点数据处理后进行骨架数据保存;评分模块以8个关键关节点的16个角度特征和20个关节点的瞬时速度特征为基础构建测试序列,通过与标准序列进行实时对比计算,根据预设的评分规则实现评分功能,并为学员提供直观可靠的训练建议,从而提高学员的学习效率。通过增加传感器数量,进一步设计和优化数据融合及滤波算法,配合微软推出的Kinect2.0版本,该系统也可推广应用于医疗康复训练、体育训练动作分析及评估、虚拟现实人机交互等多个领域。     

贵州少数民族舞蹈数字化保护与传承

本文通过采用光学式运动捕捉技术获取少数民族舞蹈的运动数据并进行动作编辑,利用3DSMAX对舞蹈者、服饰等复杂模型建模,并利用运动捕捉系统得到的运动数据驱动模型,生成数字化运动模型,研究了OPENGL的运行机制,结合3D SMAX与OPENGL各自的优点,实现对舞蹈动作的人机交互控制。     

基于Web考试系统的研究与实现

论述了JSP＆JavaBean开发模型和网络三层数据库原理。分析了在线考试系统实现的关键细节，并提出相应的解决方案，实现了用户认证、实时监控、随机组卷、在线答题、评分、成绩存储、成绩查询和题库管理等功能．     

深度学习在视频动作识别中的应用

快速有效地识别出视频中的人体动作，具有极其广泛的应用前景及潜在的经济价值，深度学习的火热给视频动作自动识别带来了巨大的发展。提出了一种基于深度学习和非局域平均法的自注意时间段网络，作用于剪切好的视频片段。通过构造非局域模块并将其加入到以ResNet为基本模型的时间段网络，可以得到新模型。经过在TDAP数据集上验证，该模型可较为精确地识别出人体动作，与原有模型相比在不增加时间复杂度的前提下有一定程度的提升。     

基于迁移学习的危险行为识别方法研究

深度学习中卷积神经网络在行为识别领域有着良好的识别效果,但是由于深度学习需要较大数据集训练模型,而现今公开数据集中危险行为识别相关方向没有大量数据集。针对危险行为识别领域样本少、无法进行深度学习训练等问题,建立了危险行为识别数据集,并采用迁移学习方法对C3D网络模型进行迁移训练。结果表明,迁移学习后C3D网络模型对危险行为识别数据集平均识别率达到了83. 2%,可以有效识别危险行为动作。     

基于RNN的视频模型构建和动作识别策略研究

递归神经网络(RNN)和长短时记忆(LSTM)在处理顺序多媒体数据方面取得显著成就。因此,提出了一种双向长短时记忆的递归神经网络(DLSTM),该方法结合了卷积神经网络(CNN)和递归神经网络的动作识别新方法。首先,利用CNN提取视频的深度特征,构建视频特征模型,以减少冗余和复杂性。然后,利用递归神经网络学习帧特征之间的序列信息。该方法具有学习长序列的能力,能够在一定的时间间隔内通过分析特征来处理较长的视频。实验结果与现有的方法比较,该方法在动作识别方面有明显完善。     

基于注意力机制的CNN-LSTM模型的航迹预测

基于数学模型或统计模型的传统航迹预测方法存在一定的局限性，无法满足现代航空领域对于高效、准确、实时的航迹预测需求。针对此问题，提出基于注意力机制的CNN-LSTM模型的实时航迹预测方法。该模型首先使用一维卷积对航迹数据的多维度特征进行提取，从而减少输入特征的数量。其次利用获取的多维度时序数据作为LSTM的输入，通过LSTM提取上下文的信息。最后使用注意力机制为LSTM中不同时序节点的输出赋予权重，达到聚焦关键航迹信息的作用。经过实验验证：本文的模型与LSTM模型和CNN-LSTM模型相比，预测出的路径更接近真实航迹；文中的模型比LSTM模型的平均预测误差降低了29.7%，比CNN-LSTM模型降低了25.4%。综上所述，文中方法可以显著提高航迹预测的精度。     

融合多尺度注意力和双向LSTM的行人重识别

将深度学习应用于行人重识别领域,嵌入多尺度注意力融合模块至神经网络中进行多尺度特征提取和表示,可有效提升注意力机制对深度学习网络的识别性能。提出了一种基于SE block的多尺度通道注意力融合模块,并结合ResNet50卷积神经网络提取特征;然后通过双向LSTM网络进一步提取特征序列上下文信息,在提高模型对图像重要特征的提取能力的同时,降低对图像冗余特征的关注度;最后使用级联难采样三元组损失函数和交叉熵损失函数共同训练网络模型,使样本能够在高维特征空间中实现聚类,进一步提升模型识别准确性。所提出算法在Market1501数据集和CUHK03数据集分别进行实验,并在同等条件下和其他注意力模块算法进行比较。为进一步验证各模块作用,对算法进行消融实验,以验证各模块的有效性,实验结果表明,所提出方法可有效应用于行人重识别     

基于深度学习的含未知复合故障多传感器信号故障诊断

深度学习在故障诊断领域的应用已比较成熟,其中卷积神经网络（CNN,convolution neural networks）和长短时记忆网络（LSTM,long short-term memory networks）就是典型模型之一。CNN作为一种常用的多传感器信号故障诊断方法,能够获得较好的诊断效果,却无法实现未知复合故障的诊断,为解决这个问题,提出CNN-LSTM-FCM （fuzzy C-means）模型。LSTM对具有前后联系的时间信号更敏感,利用这个特点将LSTM与CNN相结合,实现未知信号的诊断,并通过概率分类输出实现了复合故障的解耦,CNN-LSTM-FCM模型本身优化参数设计,进一步提高了诊断精度。使用化学过程故障测量数据进行实验,结果表明CNN-LSTM-FCM模型诊断准确率可达到97.15%,优于CNN模型和LSTM模型,具有较高的应用价值。     

基于注意力机制BiLSTM的设备智能故障诊断方法

状态监测与故障诊断是保证机械设备安全稳定运行的必要手段.本文提出一种基于注意力机制双向LSTM网络(ABiLSTM)的深度学习框架用于机械设备智能故障诊断.首先,将传感器采集的设备原始数据进行预处理,并划分为训练样本集与测试样本集;其次,训练多个不同尺度的双向LSTM网络对原始时域信号进行特征提取,得到设备故障多尺度特征;再次,通过引入注意力机制,对不同双向LSTM网络提取特征的权重参数进行优化,筛选保留目标特征,滤除冗杂特征,以实现精准提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过利用发动机气缸振动实验数据和凯斯西储大学滚动轴承实验数据进行故障诊断实验,故障识别准确率均达到99%以上.实验结果表明,ABiLSTM模型可以实现对原始时域信号的多尺度特征提取和故障诊断,通过与深度卷积网络(CNN)、深度去噪自编码器(DAE)和支持向量机(SVM)等方法进行对比,ABiLSTM模型的故障识别性能优于各类常见模型.另外,通过利用凯斯西储大学滚动轴承在不同工况条件下的数据,对ABiLSTM模型进行泛化性能实验,变工况样本的故障识别准确率仍然能够达到95%以上.     

基于数据融合的不平衡连续手术动作分割识别

为解决样本分布不均衡的连续动作序列分割识别精度不高的问题,提出一种基于深度学习的新型连续动作分割与识别模型,该模型能够从多维时间序列中提取更丰富全面的动作特征。使用基于双向长短时记忆网络(bidirectional long short-term memory networks, Bi-LSTM)的特征提取单元提取数据特征,利用基于注意力机制的特征融合模块融合多种模态的特征,并利用全连接层构建的解码器完成最终分类。实验中使用多种传感器采集了眼科手术中连续环形撕囊操作的连续动作多模态数据对算法进行验证实验。实验结果显示,与使用长短时记忆网络(LSTM)和门控循环单元(gated recurrent unit, GRU)的数据层融合算法以及4种特征层融合策略相比,所提出的模型具有更好的性能。对于数据量最小的动作类别,该算法的识别精度提高了14%以上,全局F₁分数提升8%以上,整体识别准确度达到90.72%。这些结果表明,该模型能够有效解决样本分布不均衡的连续动作序列分割识别精度问题,并为多模态连续动作分割与样本不均衡问题的解决提供了新的思路和方法。     

基于深度学习的单相机双光源的眼动交互技术

为进行高帧率眼动交互,提出了基于深度学习的单相机双光源识别方法。该方法运用了反射光斑与视线落点的相关关系,得到了由眼图到视线落点的映射规律,构建了人机眼动交互装置并得到高质量数据集,训练得到了精度与速度较高的视线落点定位模型,解决了视线估计数学模型复杂、运算量大的问题。实验结果表明,该方法实现了实时识别用户视线落点并进行交互的功能,可支持心理学实验研究以及虚拟现实应用技术的发展和应用。     

基于Kinect 2.0的八式太极拳动作评价智能系统研发

基于Kinect 2.0深度相机采集的用户动作图像信息和骨骼信息,结合八式太极拳的动作评价标准理论研究,借助计算机人工智能技术,研发动作评价智能系统,并对系统功能进行应用分析.结果表明,该系统能较好地进行用户动作捕捉与信息采集,实现用户识别、实时动作评价、评分反馈等功能.系统实现了八式太极拳的数字化、科学化动作评价体系,同时兼具专业性与趣味性,有助于促进太极拳运动的普及与发展.     

基于LSTM的航空发动机整机支承刚度识别方法

针对旋转状态下航空发动机整机的支承刚度识别问题,提出了一种基于长短期记忆(long short-term memory,LSTM)神经网络的航空发动机整机支承刚度识别方法.首先,建立航空发动机整机模型,基于该模型获得目标转速下不同支承刚度对应的位移响应;然后,建立以LSTM为核心层的深度学习网络,以位移响应为输入、支承刚度为输出训练该网络,构建位移响应与支承刚度之间的非线性关系;最后,利用深度学习网络的泛化特性对多个支承刚度进行直接识别.使用该方法对一航空发动机整机进行支承刚度识别,结果表明,支承刚度的识别误差小于2％,LSTM的识别精度高于径向基神经网络与支持向量机.该方法避免了动力学反问题中复杂的寻优过程,实现了复杂非线性结构的动态参数识别.     

基于MEMS六轴传感器的上肢运动识别系统

设计并实现了一种基于MEMS六轴传感器的上肢运动识别系统.该系统通过1个MEMS六轴传感器对用户上肢运动的三维加速度和三维角速度进行实时采集并使用蓝牙发送到计算机中.通过计算机将采集到的数据进行加速度分解、滤波、周期判别、标准化等处理后,与特征数据库中的数据进行相关性分析,从而实现对特定动作的识别,并可对重复动作进行计数.以对哑铃动作采集数据为例,验证了该系统的有效性.