基于Babylon.js的n阶Bézier曲线轨迹设计

【目的】为在Babylon.js环境下实现三维物体任意运动轨迹的生成,给出一种三维物体n阶Bézier曲线运动轨迹的设计方法。【方法】首先根据Bézier曲线的原理设计一种循环递归的插值计算方法,对任意中间控制点数的Bézier曲线路径都可快速绘制;然后对比二阶、三阶及六阶Bézier函数的实际绘制效果;最后在Babylon.js的官方训练场中对物体其他阶次Bézier曲线轨迹进行绘制和运动仿真,并对轨迹形状进行可视化交互设计与调整。【结果】试验中本文方法与传统方法的曲线轨迹重合,表明本文算法实现了n阶Bézier曲线轨迹的绘制;小球能绕所设计轨迹运动验证了本文方法在物体轨迹设计上的有效性;轨迹调整前后对比结果验证了本文方法可视化交互设计的可行性。【结论】本文方法能有效快速实现虚拟环境中的三维物体复杂运动路径的设计与生成,从而为采用Bézier曲线来规划网页端三维物体的运动轨迹提供了一种新方法。     

一种简单有效的鱼群轨迹追踪算法

在鱼群运动机制的研究中,由于鱼群具有不同的体征、复杂的运动模式和运动中频繁的遮挡,所以如何获取鱼群个体的时空轨迹是一个非常重要而且困难的问题. 为了获取鱼群的轨迹,本文提出了一个简单有效的方法来侦测和跟踪鱼群.整个追踪算法包括视频输入、图像获取及预处理、目标检测、数据关联、数据输出和人工校正6大模块. 算法通过和Id tracker, Ctrax对于不同实验环境视频的轨迹提取结果的对比, 表明了本文算法在准确度、识别效率及适用性上的优越性.      

基于Transformer的自动驾驶交互感知轨迹预测

针对自动驾驶运动规划中预测周围交通参与者(如车辆、自行车、行人)未来轨迹的问题,提出了一个基于Transformer的轨迹预测模型(Trajectory Prediction Transformer,TPT)来帮助自动驾驶车辆预测周围交通参与者的未来运动轨迹。首先,为了有效地考虑交通参与者和交通环境之间的交互信息,将交通参与者建模为交通智能体。并将交通智能体的历史运动轨迹和周围交通环境信息编码为多通道图,作为模型的输入。然后,利用改进的Transformer对交通环境进行建模,并捕捉交通智能体与交通环境之间值得关注的交互信息,预测其未来运动轨迹。最后,在大规模自动驾驶数据集Lyft进行的实验表明,TPT模型能够在不同预测时长下取得优于其他对比模型的预测结果,且用时更短。     

基于加权运动估计多层次检测的帧率转换算法

为了增强帧率转换的有效性,该文提出了一种基于运动估计多层次检测的帧率转换算法。该算法首先利用加权运动估计优化调整的方法检测精确的运动矢量;其次利用码本模型(Codebook model)的运动估计分割检测前景区域;然后利用多级重叠块运动补偿重分类的方法检测能反映物体真实运动轨迹的运动矢量。该过程中,采用了预处理方法保证边缘结构信息的完整性,并且利用重分类和平滑方法对不可靠运动区域进行细化处理,有效地降低了传统方法中的方块效应和重影现象;最后利用运动补偿内插实现帧率转换。实验结果表明:该算法相对于传统方法,更适用于背景复杂或快速运动变化的视频,主观视觉效果和客观评估标准上都有所提高,并且具有很好的适应性。     

基于惯常速率的多类目标轨迹预测

为了解决监控视频中对大量不同类型的运动目标进行运动轨迹预测的问题,系统地提出了对多类目标的轨迹预测流程;在社交力模型的基础上,探讨了一种新的以惯常速率为聚类对象的运动模式特质分类方法,并应用这种方法在Stanford Drone数据库上取得了领先的结果.该方法可以使目标轨迹预测的研究对象拓展到除行人以外的其他任何移动目标,如汽车、自行车等运动物体,并对它们的运动轨迹进行有效预测.该方法在实现高精度预测的基础上,极大地缩短了目标分类所用的时间,分类效率的提高达5个数量级.     

基于模糊聚类的车辆运动轨迹建模

为提高车辆运动行为模式的学习与分析水平,综合考虑车辆运动轨迹特点及其建模的相关要求,提出了一种车辆运动轨迹建模方法.该方法主要由轨迹模糊聚类和路径建模两部分组成,首先拓展采用改进Hausdorff距离衡量轨迹之间的几何相似性,并基于此构建了改进模糊C均值轨迹聚类算法,用于实现车辆运动轨迹的聚类;在轨迹聚类的基础上,建立了基于离散状态的路径模型,并进而提出了相应的轨迹异常检测算法.最后,在真实场景下的试验结果验证了本文方法的适用性和有效性.     

多段连续结构手功能康复外骨骼运动规划与结构优化

针对现有康复机器人手指运动轨迹仿生度低、轨迹规划策略与正常人手指运动轨迹差异较大的问题,提出了基于Tau-jerk引导策略的手指运动轨迹规划方法。首先建立外骨骼机器人的运动学模型,并用ABAQUS进行运动学仿真,引入修正系数调整运动学模型;然后以jerk值为耦合对象,推导出内部Tau-jerk引导策略,引入最小做功和最小面积确定最优轨迹和最优多段连续结构;最后比较了Tau-jerk规划的运动轨迹与多项式插值方法规划的轨迹同真实人手运动轨迹的偏差。实验结果表明:采用Tau-jerk轨迹规划的外骨骼运动平均关节角度误差小于1.5°,且平均指尖轨迹误差小于1 mm;与3次多项式插值和3、4、5次多项式插值运动规划相比,Tau-jerk轨迹规划方法更符合人手指运动轨迹。     

采用改进神经网络PID控制的移动机器人轨迹追踪控制研究

为了提高双轮移动机器人运动轨迹追踪精度,采用改进粒子群算法优化BP神经网络PID控制器,并对控制效果进行仿真验证。创建双轮移动机器人模型简图,给出运动轨迹误差方程式。在传统PID控制基础上增加BP神经网络结构,引用粒子群算法并对其进行改进,采用改进粒子群算法优化BP神经网络PID控制调整参数,给出双轮移动机器人PID控制参数优化流程。采用数学软件MATLAB对双轮移动机器人轨迹追踪误差进行仿真验证,并与传统PID控制追踪误差进行对比。仿真曲线显示:在理想环境中,双轮移动机器人采用两种控制方法都能较好地实现轨迹追踪,追踪误差较小;在干扰波形环境中,传统PID控制双轮移动机器人追踪误差较大,而改进PID控制双轮移动机器人追踪误差较小。采用改进粒子群算法优化BP神经网络PID控制器,可以提高移动机器人运动轨迹追踪精度。     

图像处理技术在微流控芯片中流体运动检测的应用

介绍一种基于图像处理的方法,解决微管中流体运动状况的精确检测问题。处理过程:通过视频录像等方法获取目标运动的序列图片,根据帧图片之间差异定位运动目标轨迹区域,然后采用帧差法处理得到运动轨迹图像,将轨迹图像裁剪出,以减少后面处理运算量;将所得图像进行亮度变换、数次开闭运算等,进行运动轨迹图像边缘平滑和背景噪声消除,利用边界跟踪法标定运动轨迹边缘,最后霍夫变换方法检测到运动直线,求得运动长度,结合流动时间可求出目标的运动速度,进而获取流体剪切力、流体粘度等数据。结合微流控芯片流动状况测量,阐述了该方法测量的精确性、可重复性及广泛应用性。     

油气分离器内油滴轨迹的数值模拟

采用数值模拟的方法研究分离器内油滴的运动。单相流场采用各向异性的雷诺应力方程模型，气液两相流场采用相间耦合的DPM模型计算，用随机轨道模型对油滴的运动轨迹进行追踪。通过对油滴轨迹的分析，揭示了油滴在分离器中运动的物理机制。结果表明：油滴的轨迹受叶片数量、叶轮转速和油滴粒径的影响很大。     

递归神经网络研究综述

递归神经网络(RNN)因具存储特性,可以处理前后输入有关系的序列数据,故广泛应用于文本音频、视频等领域.当输入间隙较大时,RNN存在短期记忆问题,无法处理很长的输入序列,而长短期记忆(LSTM)能很好地处理长期依赖性问题.自LSTM提出以来,几乎所有基于RNNs的令人兴奋的结果都是由LSTM实现的,因此LSTM成为深度...     

基于神经网络的程序异常监测

针对传统入侵检测系统的不足,研究了基于反向传播神经网络的程序异常检测方法,提出了一个改进的利用多层前馈网络的预测功能和异常区域判定方法检测系统异常的算法.详细讨论了算法的基本原理、数学基础、设计和实现方法.通过实验,分析算法的优缺点,验证了算法的可行性和有效性.     

基于改进长短时记忆网络的文本分类方法

针对传统长短时记忆网络(long short-term memory,LSTM)在文本分类中无法自动选取最重要潜在语义因素的问题,提出一种改进的LSTM模型。首先,将传统LSTM的运算关系拓展为双向模式,使网络充分记忆输入特征词的前后关联关系;然后在输出层前面增加池化层,以便更好选择找到最重要的潜在语义因素。互联网电影资料库评论数据实验结果表明,该模型优于传统长短时记忆神经网络以及其他同类模型,揭示了改进方案对提高文本分类准确率是有效的。     

基于混合生成网络的软件系统异常状态评估

针对现有软件系统异常状态评估方法过度依赖数据标注、对时序数据的时间依赖性关注较低和系统异常状态难以量化等问题,提出一种基于混合生成网络的软件系统异常状态评估方法.首先,通过对长短期记忆网络（long short-term memory network, LSTM）与变分自动编码器（variational auto-encoder, VAE）的融合,设计一种LSTM-VAE混合生成网络,并以该网络为基础构建基于LSTM-VAE混合生成网络的系统异常状态检测模型,由LSTM对系统数据的时序特征进行提取并由VAE对系统数据的分布进行建模.然后,由LSTM-VAE异常状态检测模型处理系统关键特征参数,获取系统关键特征参数的异常度量值.最后,利用耦合度方法对传统的线性加权和方法进行优化,通过加权耦合度优化方法计算得到软件系统异常状态的量化值,从而实现对软件系统的异常状态评估.实验结果表明,本文模型对软件系统的异常时序数据具有较好的检测能力,其对系统异常状态的评估结果更为合理、有效.     

基于RGB颜色空间的视频运动目标检测

为解决当前视频运动目标检测中检测精度不高以及视频颜色失真对运动目标检测的干扰问题,该文提出了一种改进的视频运动目标检测方法.比较了多种颜色空间下的运动目标检测算法,通过对视频的RGB(Red Green Blue)颜色空间建模,根据实际情况,对不同的颜色分量赋予不同的权值,提高了该颜色空间的真实性.同时,创新性地将神经网络与颜色空间结合,通过自组织映射,实现了对视频流数据中的运动目标检测.大量的实验结果表明,该方法对提高视频运动目标检测准确率有着显著的效果.     

基于LSTM的钓鱼邮件检测系统

提出了一种基于LSTM的钓鱼邮件检测方式.该方式主要由两部分构成:分别为数据扩充部分及模型训练部分.数据扩展部分中,通过KNN与K-means算法扩大训练数据集,保证数据的数量能够满足深度学习算法的需要.在模型训练部分中,通过对数据进行预处理并将其转化为词向量矩阵,最后将转化完词向量通过训练得到LSTM神经网络模型.最终,可以根据训练好的LSTM模型将邮件分为正常邮件以及钓鱼邮件.通过实验对提出的算法进行了评估,实验结果显示提出的算法准确率可以达到95%.      

网络切片中物理节点的分布式在线异常检测方法

网络切片中的异常检测问题是实现网络切片自动化管理的重要研究内容,针对网络切片中物理节点的异常检测问题,提出了基于支持向量数据描述的分布式在线物理节点异常检测方法.基于支持向量数据描述建立了一种分布式的物理节点异常检测模型;通过引入随机近似函数,解决了数据分布式存储场景下的核函数计算问题,从而实现观测数据的切片内处理;基...     

注意力机制的长短时记忆神经网络航线订座需求预测

针对航线订座需求预测中存在的预测结果不稳定,偏差较大的问题,提出了一种基于注意力机制 的长短时记忆神经网络(Long Short-term Memory Neural Network,LSTM)航线订座需求预测模型。首先, 对采集得到的航线订座需求数据进行数据清洗与指标计算处理,接着,对处理后的指标数据基于注意力机 制做权重分配,然后进行 LSTM 航线订座需求预测模型的建立,从而得到航线订座需求的最终预测结果 值。将训练优化得到的模型应用于国内某航司的航线订座需求预测中,计算出预测结果。实验结果表明, 基于注意力机制的 LSTM 航线订座需求预测模型预测精度较高,以厦门-上海为例,预测结果在与真实值 的对比下,平均绝对误差(Mean Absolute Error,MAE)为 13.1,均方根误差(Root Mean Square Error,RMSE) 为 17.2,相比较于移动平均法,指数平滑法,循环神经网络（Recurrent Neural Network,,RNN）,CNN-LSTM 混合模型有较好的预测效果。     

基于Stacking集成学习的网络安全态势预测方法

针对现有的网络安全态势预测模型预测精确度低且泛化能力差等问题,提出一种基于Stacking模型融合的态势预测方法。该方法中,借助Stacking算法将TCN网络、WaveNet、GRU、LSTM进行集成挖掘态势数据之间的相关性;之后利用逻辑回归进行预测得到最终态势值;利用粒子群优化算法进行参数寻优,提升模型性能。基于2个数据集进行验证,实验表明,所提预测方法具有较小的均方误差和平均绝对误差,收敛速度较快,拟合度均可达0.999,可以很好解决预测精确度低的问题,提升了模型的泛化能力。     

二维物体识别的暂态混沌神经网络方法

给出了一种二维物体识别混沌神经网络的方法 ,该方法采用图匹配方式的二维物体识别可以转化为一个组合优化问题求解 ,根据二维物体识别的能量函数定义式推导出一种新的暂态混沌神经网络模型 (TCNN) ,它采用混沌模拟退火方式求解优化问题 .随着分叉尺度参数的逐步降低 ,TCNN由混沌解逐步稳定在全局最优的解上 ,从而得出该方法优于Hopfield神经网络的方法