室内行人航向修正算法研究

室内环境下的行人导航问题是当前导航领域的研究难点与热点,基于足绑式MEMS是行人导航的主要形式之一。针对目前行人导航航向发散的问题,同时避免磁力计引入外部误差,在零速更新（ZUPT）的基础上,研究了磁角速率更新（MARU）的航向修正算法,假定行人处于零速区间时磁场是恒定的,当惯性传感器转动时,磁力计的三维矢量也会相应变化,利用磁场的变化信息作为零速时刻陀螺仪输出角速率的观测值,并通过扩展卡尔曼滤波（EKF）对角速度误差进行补偿,从而限制航向角的漂移。实验结果表明,该算法航向跟踪性强,对航向修正有一定的有效性,其终点定位误差占总路径的0.55%,达到了良好的定位精度。     

基于YOLOv3的改进行人检测算法研究

针对将YOLOv3通用目标检测算法应用于行人检测时的检测精度低、定位不准确的问题,提出了一种基于YOLOv3的适用于行人体态特征的目标检测算法.在预处理生成先验框部分,将MSCOCO通用数据集改进为MSCOCO中的person子集来生成仅针对行人体态特征的锚框,并将生成先验框的K-means算法改进为K-means++...     

一种神经网络实现GPS导航定位算法

目的 研究ＧＰＳ接收机状态解算的估计方法。方法 利用Ｈｏｐｆｉｅｌｄ神经网络对ＧＰＳ接收机数据进行处理,结果 以统计自述平均误差和均方根误差作为衡量性能的指标,神经网络方法与迭代量小均方误差算法相比较定位误差减小,结论利用神经网络实现ＧＰＳ接收机状态解算是可行的,且与迭代最小均方误差算法比较,可提高定位精度。     

基于改进RetinaNet的行人检测算法

为提高实际应用场景中行人的检测精度,提出使用高分辨率特征提取网络HRNet（High-Resolution Representation Network）并引入Guided Anchoring机制对RetinaNet算法进行改进,维持了特征图在特征提取过程中的高分辨率信息,同时使网络中的锚框自适应生成,提高了算法的检测精度。结果表明：该改进算法在Caltech行人数据集上取得了0.905的平均精度均值（mean average precision,简称mAP）,相比于标准的RetinaNet算法提高了6.0%,在每帧图像尺寸为1280×720像素的视频上检测速度达到了19FPS（每秒检测帧数） ,达到了检测精度与检测速度的均衡。     

基于智能手机MARG传感器的行人导航算法

对于手持式移动设备的定位导航需求,特别是在室内无法接收到GPS信号的恶劣环境,提出了一种基于智能手机上的磁力计,陀螺仪和加速度计（magnetic,angular rate and gravity, MARG）传感器的行人导航算法,该算法在行人航迹推算的基础上,利用数字低通滤波器滤波后的加速度计三轴模值数据,对行人步态进行检测,采用经验模型对行人步长进行估计,并结合扩展卡尔曼滤波器,采用自适应的方式实时调整测量噪声协方差矩阵,将MARG传感器融合数据用于最佳航向角估算。在智能手机平台上进行测试验证,实验结果表明,在无磁或有磁干扰环境下,所提出的行人导航算法均可保证准确、可靠、持续的位置信息。     

一种用于大规模 MIMO 信号检测的改进算法

近几年来,大规模多输入多输出(multi-input multi-output,MIMO)的信号检测问题已经引起了人们的关注,在研究了主动禁忌搜索(reactive tabu search,RTS)算法和置信度传播(belief propagation,BP)算法的基础上,提出了一种新的RTS-BP联合检测算法,给出了2种不同的信道模型下的仿真对比图.结果表明,在不同的调制阶数情况下,RTS-BP算法性能优于单一的RTS和BP算法,且在一定程度上降低了大规模MIMO检测的高维效应对信号层数的要求.     

基于AlphaPose的行人重识别姿态评价方法

行人重识别旨在不同时间、不同摄像头拍摄范围中检索特定目标行人,在实际应用场景中,可能会存在行人被严重遮挡的图像,不仅不利于行人检测,还会消耗大量的时间.行人姿态检测可以通过定位行人关键点位置判断行人是否存在遮挡,因此,本研究提出在重识别检测之前,对行人姿态进行分析,提出一种基于AlphaPose的重识别行人姿态评价方法.首先,利用AlphaPose进行姿态检测,得到行人各个关键点的置信度;然后,利用各个关键点的置信度得到各个行人的姿态评分;最后,根据姿态评分结果筛选出多个测试集进行验证分析.利用torchreid框架在数据集DukeMTMC-reID及Market1501进行实验,实验结果表明,与初始测试集相比,筛选后的测试集检测效率明显提高,且mAP和rank-n值也有所提高.     

一种改进的手写数学公式符号识别算法

针对手写数学公式符号的特殊性提出一种改进的公式符号识别算法,利用外接矩形技术来切分公式符号,利用改进的BP神经网络算法进行手写数学公式符号识别,实验证明,改进后的公式符号识别算法提高收敛速度和识别的效率.     

红外图像中的行人检测

为了有效地检测红外图像中的行人,提出了一种基于神经网络的检测方法。采用三维中值滤波来提取背景图像,用图像差分法提取目标区域(regions of interest,ROIs),提出傅里叶描述子作为目标区域形状特征;设计了BP神经网络分类器并用来对ROIs进行识别。通过大量不同种类不同形状的样本对分类器进行验证,结果表明该分类器具有较高的识别率和较低的虚警率,能够快速有效地识别ROIs,具有良好的分类能力。     

基于改进YOLOv5的拥挤行人检测算法

针对密集场景下行人检测的目标重叠和尺寸偏小等问题,提出了基于改进YOLOv5的拥挤行人检测算法。在主干网络中嵌入坐标注意力机制,提高模型对目标的精准定位能力;在原算法三尺度检测的基础上增加浅层检测尺度,增强小尺寸目标的检测效果;将部分普通卷积替换为深度可分离卷积,在不影响模型精度的前提下减少模型的计算量和参数量;优化边界框回归损失函数,提升模型精度和加快收敛速度。实验结果表明,与原始的YOLOv5算法相比,改进后YOLOv5算法的平均精度均值提升了7.4个百分点,检测速度达到了56.1帧/s,可以满足密集场景下拥挤行人的实时检测需求。     

改进的BP算法在多传感器数据融合中的应用

采用了基于小波神经网络的BP权值平衡改进算法,构造小波神经网络并训练以改变BP网络权值.根据多传感器特征级数据融合模型,并结合该权值平衡算法,使测量到的数据进行基于特征级的融合,并将该数据融合结果提供给决策级判断,从而得出理想的判定效果.仿真结果表明,该数据融合算法避免了BP权值平衡算法的缺点,不仅提高了学习的速度,而且具有更高的计算精度.     

用户电力控制器神经网络控制分析

针对电力系统模型及运行参数不确定性 ,在用户电力控制器中引入神经网络控制策略 ,应用神经网络设计了线性控制器 ,所提出的神经网络采用改进BP算法 ,改进BP算法比传统BP算法多了两个变量 ;学习速率和动量因子。将计算得的补偿电流经过神经网络训练实现预定目标 ,由MATLAB仿真结果可观察到经神经网格控制的用户电力控制器可实现系统侧的控制目标。并且其控制算法更为简单、有效。     

采用BP-GA算法的一种LSI神经网络的电路设计

将误差反传 (BP)算法和遗传算法 (GA)有机地结合在一起 ,提出了一种新的算法 BP- GA。采用 BP- GA算法 ,设计了一个两层前向 L SI神经网络。作为神经网络的关键部件 ,提出的新型神经元性能优越。它的激活函数与理想sigmoid函数拟合很好 ;可实现对阈值及增益因子的编程并且不同增益因子下饱和输出电压值相同。采用标准 1.2 μmCMOS工艺的模型参数 ,对该两层前向神经网络电路进行的HSPICE模拟证明了它有解决异或 (XOR)问题的能力     

基于BP神经网络的中文分词算法研究

简要探讨了BP神经网络的学习过程与主要参数,分析了基于BP神经网络的中文分词算法,并在用joone-editor建立的神经网络模型中加以实验。     

一种三层前向网络参数的解析计算方法

介绍了用解析法计算三层前向网络参数的方法 ,给出了一个三层前向网络准确记忆给定样本所需隐层节点个数的充分条件 .也可用解析法计算的参数作为 BP等算法的训练初值 .仿真结果说明这种方法是有效的     

对传神经网络算法的改进及其应用

针对传统对传神经网络(Counter propagation networks,即CPN)要求输入向量必须均匀分布以及隐含层神经元个数难以确定,其应用受到很大局限等问题,对CPN算法进行改进并运用于电力负荷预测.研究结果表明:通过改进CPN算法的初始权重设置规则,克服了对输入向量限制过于严格的不足;通过优化算法运行步骤,提高了算法的运行效果;改进后的CPN算法比BP算法所得预测结果误差小,比目前电力负荷预测研究中RBF和Elman神经网络所得预测结果误差也小;与BP算法相比,CPN改进算法的预测精度提高4%左右,运算时间减少45%,适用于电力负荷的预测.     

BP神经网络预测河湾最大冲刷深度

影响河湾凹岸最大冲刷深度的因素众多，而且这些因素的关系是非线性的．实现河湾最大冲刷深度预测的实质是建立一个非线性映射．实现这种映射的传统途径是在室内试验的基础上，采用量纲分析和多元回归的方式建立经验公式．根据BP（前馈）神经网络模型能逼近任何闭区间的连续函数的性质，在室内试验的基础上，尝试采用人工神经网络模型对河湾冲刷深度进行预测，并与经验公式的计算结果进行了比较．结果显示，BP神经网络能够更为准确地对河湾最大冲刷深度做出预测。     

A Four-color Matching Method Combining Neural Networks with Genetic Algorithm

A brief review of color-matching technology and its application of printing RGB images by CMY or CMYK ink-jet printers is presented, followed by an explanation to the conventional approaches that are commonly used in color-matching. Then, a four-color matching method combining neural network with genetic algorithm is proposed. The initial weights and thresholds of the BP neural network for RGB-to-CMY color conversion are optimized by the new genetic algorithm based on evolutionarily stable strategy. The fourth component K is generated by using GCR (Gray Component Replacement) concept. Simulation experiments show that it is well behaved in both accuracy and generalization performance.