对称和非对称的启发式多Agent再励学习方法

针对解决对传统的多A gen t再励学习算法中,A gen t只能独立学习、不能合作学习的问题和启发式算法中只考虑了单个A gen t而没有推广到多A gen t的情况,给出了对称和非对称环境下的基于启发式的多A gen t再励学习算法。该算法基于A gen t之间的通信来获取其它A gen t的历史信息,以及动作选择策略,结合启发式算法思想,达到A gen t在学习过程中的合作的目的,最终提高学习的效率。以2个A gen t的2个状态3个动作选择为例,表明该算法的收敛速度高于传统分布式再励学习算法的收敛速度。     

一类模型不确定问题的多目标相容控制算法

以模型不确定控制系统为研究对象,针对精度和能耗2个冲突目标,在2层框架多目标相容控制思想的基础上,研究并实现了一类节能降耗问题的相容控制具体算法,解决了加权法等传统多目标处理方法难以明确体现每个目标实现情况的问题.在该算法中,第1层旨在确定用户满意的多个控制目标的相容目标区域,第2层则进一步优化主要目标,设计出控制系统.该算法解决了模型、状态初始值不确定情况下的多目标系统相容控制器的设计问题.仿真实例与多目标加权法相比表明该算法对解决多目标控制问题的有效性.     

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，本文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。该算法使用基于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（GRU）的数据层融合算法以及四种特征层融合策略相比，本文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。     

基于目标检测及高密度轨迹的动作识别

为了实现准确的动作识别效果,我们通常需要提取能够充分代表运动特征的信息。近年来,基于高密度轨迹的动作识别方法因为能够提供丰富的时空信息而受到研究者们的广泛关注。但高密度轨迹类的动作识别算法通常都要面临背景冗余信息干扰的问题,为了解决这一问题,本文在高密度轨迹的动作识别方法基础上引入了目标检测算法,通过可变形块模型方法检测运动主体位置后计算其周围的高密度轨迹,有效地排除了背景冗余信息的干扰。而目标检测算法通常要面临丢帧问题,为了应对这一情况,本文采用了词袋模型和支持向量机进行动作特征表述和分类,词袋模型根据大量数据词频构建特征描述符的工作原理,使得目标检测偶有丢帧的情况并不影响动作识别的最终效果,结合高密度轨迹算法后有效地提高了传统高密度轨迹算法的效率,也获得了更为准确的识别效果。本文算法在KTH,UCF YouTube和UCF Sports数据集上较当前算法都取得了更高的动作识别准确率,尤其在复杂背景数据集UCF YouTube和UCF Sports上识别准确率分别可达89.2%和90.2%。     

基于光流约束自编码器的动作识别

为了改进特征学习在提取目标运动方向及运动幅度等方面的能力,提高动作识别精度,提出一种基于光流约束自编码器的动作特征学习算法.该算法是一种基于单层正则化自编码器的无监督特征学习算法,使用神经网络重构视频像素并将对应的运动光流作为正则化项.该神经网络在学习动作外观信息的同时能够编码物体的运动信息,生成联合编码动作特征.在多个标准动作数据集上的实验结果表明,光流约束自编码器能有效提取目标的运动部分,增加动作特征的判别能力,在相同的动作识别框架下该算法超越了经典的单层动作特征学习算法.     

基于多步回溯Q(λ)学习算法的多目标最优潮流计算

为了克服传统的最优化算法面对复杂、非线性描述的多目标最优潮流时无法满足电力系统实时调度运行的这一缺点,提出了一种基于半马尔可夫决策过程的多步Q(λ)学习算法,该算法不依赖于对象模型,将最优潮流问题中的约束、动作和目标转换成算法中的状态、动作与奖励,通过不断的试错、回溯、迭代来动态寻找最优的动作.将该算法在多个IEEE标准算例中与其他算法进行比较,取得了良好的效果,验证了多步Q(λ)学习算法在处理多目标最优潮流问题时的可行性和有效性.     

多输出支持向量回归算法

支持向量机是一种基于统计学习理论的新颖的机器学习方法，由于其出色的学习性能。该技术已成为当前国际机器学习界的研究热点．这种方法已广泛用于解决分类和回归问题．在回归中。目前的研究和应用都限于单输出的情况,而实际中有很多属于多输出回归问题．针对这一点，将支持向量回归算法推广到多输出情况．仿真实例说明了该算法的可行性．     

基于轻量化二维人体姿态估计的小样本动作识别算法

动作识别是近年来时序数据挖掘领域的研究热点,具有广泛的应用前景。但是现阶段基于深度学习的动作识别算法需要大量的标记训练数据集,存在泛化性差、实时性差、场景受限的问题。为解决这些问题,本研究设计一种基于轻量化二维人体姿态估计的小样本动作识别算法。该算法基于YOLOv5算法构建轻量化的人体检测器HYOLOv5。基于轻量化二维姿态估计模型Lite-HRNet设计人体姿态特征描述算子,有效地去除背景对人体动作特征的干扰。为有效度量时序人体姿态特征描述算子间的相似度,本研究提出基于动态时间规整的人体姿态特征距离度量,并在此基础上设计基于类别中心选择的动作模板匹配算法。该算法通过少量的动作视频构建动作特征模板库,利用动作模板匹配算法可实现多类动作视频的精准识别。为验证算法,本研究在COCO 2017的Humans数据集上对HYOLOv5进行测试,人体检测识别精度mAP@0.5：0.95可达50.7%。基于10种动作视频数据进行测试,结果表明,本研究所提算法可有效地识别视频序列中的姿态,在每个动作仅包含4个训练数据的情况下,动作识别准确率均可达到91.8%。     

基于支持度的多传感器信息融合算法

目前多传感器融合算法大都需要先验知识,而现实环境中常常无法满足。为有效解决这一问题,在信息融合中利用指数衰减函数引入了支持度的概念,进而设计了两种不依赖任何先验知识的基于支持度的多传感器信息融合算法。最后,应用该算法对3部雷达的观测数据进行处理,实验结果表明,该算法有较好的融合效果,并具有计算简单的特点。     

CAPP和PPC的集成决策模型与算法

实现ＣＡＰＰ和ＰＰＣ功能集成是从根本上解决生产计划与工艺整体优化的途径．根据ＣＡＰＰ和ＰＰＣ多级并行分布式集成体系结构,研究了支持ＣＡＰＰ和ＰＰＣ功能集成的决策模型与算法,建立ＣＡＰＰ和ＰＰＣ的集成决策目标以及在该统一目标下的多层集成单元递阶决策的模型,设计有效支持该决策模型的工艺技术分析算法和瓶颈处理算法．该模型和算法强调相关决策活动并行完成与将工艺计划和生产（作业）计划作为一个整体进行优化的原则．仿真实验结果表明,模型和算法是正确可行的．     

基于HHT和改进PNN的CSI人体动作识别研究

为了有效判别真实摔倒动作与疑似摔倒动作、提高动作识别准确度,提出基于希尔伯特黄变换(Hilbert-Huang transform,HHT)和改进概率神经网络(probabilistic neural networks,PNN)的信道状态信息(channel state information,CSI)人体动作识别算法。对CSI的幅度与相位融合信号进行数据预处理,利用HHT来提取区分人体动作信息的瞬时幅值和瞬时频率作为分类特征构建特征矩阵,在遗传算法(genetic algorithm,GA)优化的PNN神经网络中训练出能有效检测真实摔倒和疑似摔倒动作的GA-PNN人体动作识别模型;利用训练好的识别模型对输入的CSI数据进行摔倒动作的判别。仿真实验表明,提出的算法能有效地检测真实摔倒和疑似摔倒动作,其识别准确度可达到97.18%,且误报率较低。     

基于关键原子动作的视频事件学习与识别方法

提出了一种基于关键原子动作的视频事件学习与识别方法. 通过与或图来表示事件、子事件、原子动作之间的层次结构,以及子事件和原子动作间的时序关系,通过最小描述长度准则从训练数据中学习事件的与或图结构. 在此基础上,提出了一种事件中关键原子动作的学习方法,根据原子动作的重要性赋予相应的权值,该权值可以用于事件的实时解析,提高事件的识别率. 基于原子动作的权值及漏检数目定义了事件的可识别度,用于减少待识别的事件数目,进而提高事件识别的算法效率. 多种场景实验结果表明所提出的方法可以有效地进行事件识别.      

基于跨域字典学习算法的人体行为识别

将一种跨域字典学习算法应用于人体行为识别中, 通过引入辅助域数据集, 与原始训练集（目标域）共同进行字典学习, 获得字典对, 进而得到动作类的稀疏编码, 有效扩充了训练集的类内多样性. 该算法为字典学习与训练分类相结合的学习框架, 可利用字典对学习过程中的重建误差进行分类. 实验在MATLAB仿真条件下进行, 将UCF YouTube数据集作为原始训练集, 将HMDB51数据集作为辅助域数据集, 选取两个数据集动作类别一致的7个动作, 根据提出的算法流程进行识别. 将该方法与其他两种人体行为识别算法进行对比. 结果表明, 该方法识别率显著提高, 证明了跨域字典学习算法在人体行为识别上的有效性.     

基于智能规划的计划识别方法研究

基于智能规划领域中机器人动作规划的思想,从智能规划的角度考虑计划识别的求解.利用规划间的支持程度描述多agent之间的不确定性关系,并利用目标编群的思想描述多agent行动之间的协作关系,建立了面向多agent的计划识别模型.最后以一个实例来说明采用智能规划进行计划识别的过程,表明了使用该方法求解计划识别问题的可行性.     

串联多臂式巡检机器人控制策略及轨迹规划方法

以一款三臂式巡检机器人为例,对其进行分层规划控制策略分析,将其分为线路信息库层、动作规划层和执行规划层.线路信息库层根据高压输电线路上的已知信息所得,其中包括障碍物种类、位置、数量等信息.规划层和执行规划层根据有限状态机理论总结为当输入事件为a(第二层动作规划层)时,在f(第三层执行层)的作用下,将状态q(机器人起始状态)映射到状态p(机器人终止状态).最后对该款机器人的轨迹规划进行了Matlab仿真和样机实验,结果验证了该控制策略及轨迹规划方法有效性.     

规划识别在识别股市庄家意图中的应用

针对证券市场中庄家的各种操作行为, 为了推断出其背后的真实意图,将规划识别技术引入到证券投资领域,在借鉴规划识别算法的基础上,提出一种适合股市的算法。从分时图中抽取出庄家的动作,根据动作在规划中的重要程度,为其设立一个权值,并引入各动作在规划中真实度的概念来量化该动作数据的真实性,模糊加权计算出目标可信度。     

基于DTW优化积分直方图动态捕捉的持续人体动作识别研究

针对现有持续人体动作识别算法实时性不高的问题,提出了一种基于动态时间规整(DTW)积分直方图的动态捕捉方法.首先,利用积分直方图对原始动作进行分类;然后,聚类各种时空姿态建立动作的统计表示,并采用巴氏距离测量两个直方图的相似性;最后,根据动态时间规整方法设计了动态程序识别算法.通过大型数据集的测试以及与几种最新方法的比较证明了方法的高效性,即使在数据库包含噪声和相似动作的情况下,方法仍然取得了很好的识别效果.     

基于特征优选和图像相似度的人体动作识别算法

有效提取特征有利于提高后续人体动作识别的准确率。针对人体动作识别时方向梯度直方图(histogram of oriented gradient,HOG)特征维数过高和相似动作不好区分的问题,提出一种基于特征优选和图像相似度的人体动作识别算法。实验对比三种降维方法主成分分析法(principal component analysis,PCA)、PCA+Pearson、PCA+Spearman处理后的动作识别率,证明PCA+Pearson相关系数的降维效果最佳。同时将全局特征八星模型与降维后的局部特征HOG特征组合在一起全面表征人体动作,并计算相邻两帧图像相似度,自适应分配一个判别周期内单帧支持向量机分类结果的统计权值,最后二次分类人体姿态识别结果。在标准数据集KTH上进行实验,该算法识别准确率为94. 5%,较其他方法有所提高,在视频人体动作识别领域有较好应用价值。     

基于时空兴趣点和主题模型的动作识别

提出了一种新的基于概率主题模型的人体动作识别方法.该方法利用局部的时空兴趣点特征,采用词袋(bag of words)的方法对跑、跳、挥手等几种常见的动作进行表示.利用概率主题模型,使视频的动作类别标记对应于概率模型中的隐含变量,通过对隐变量的推断,实现对整个视频的动作分类.该算法还可以将每个兴趣点划分为不同的动作类别...     

基于隐任务学习的动作识别方法

提出一种基于多分类隐任务学习的动作识别方法.将多个动作共享的一组子动作作为隐任务,通过对隐任务的联合学习来建模动作之间的关联,从而训练动作分类器并对视频中人的动作进行识别.利用基于softmax的多分类模型学习多个动作之间的隐任务,能够有效防止动作识别过程中的二义性,同时计算简单,节省了模型训练时间.在UCF sports和Olympic sports数据集上的实验结果表明,本文提出的多分类隐任务学习方法在迭代一次的时间上从130 s缩短至0.5 s,并且能更有效地识别视频中的动作.