基于小波矩特征的小波神经网络目标识别

提出一种具有尺度、平移与旋转不变性的目标识别方法.该方法首先提取目标图像的小波矩特征,然后与小波神经网相结合,构成一套目标识别系统.小波矩不变量不仅可以表示图像的全局特征,而且还能表示局部特征;而小波神经网络结合了小波分析和传统神经网络的优点,具有很强的学习能力和推广能力.因此基于小波矩的小波神经网络目标识别系统在进行目标识别时具有很大的优势.实验中使用该方法对4类飞机目标进行识别,实验结果证明其识别率高于其它的目标识别方法.     

基于图的半监督深度学习及其在新生儿疼痛表情识别中的应用

针对新生儿疼痛表情识别任务中由于有类别标签样本数量不足而导致分类准确率不高的问题,提出了 一种基于图的半监督深度学习(Graph-based Semi-supervised Deep Learning,GSDL)方法.首先,使用训练集中少量有类别标签的样本对深度神经网络模型进行初步训练,得到初始模型;然后,利用初始模型...     

融合场景及交互性特征的多人行为识别

人类的行为复杂多样,场景、外观、位置等信息均与行为息息相关.本文针对如何高效地综合利用这些信息的问题,提出了融合场景及交互性特征的多人行为识别方法,使用双通道的方式分别提取个体外观特征与场景特征.对于个体通道,采用注意力机制模块来关注与行为相关度更大的区域,并将提取的个体外观特征结合位置特征输入图卷积网络进行关系推理.其中,图卷积网络采用了余弦相似度的方法度量个体特征之间的相关性,并结合个体之间的位置特征进行关系推理;对于场景通道,使用在place365数据集上预训练的ResNet 50提取场景特征.最后,本文将个体以及场景通道所得的特征进行加权融合,得到群组以及所有个体的行为识别结果.在Collective Activity Dataset（CAD）数据集上的实验表明,该方法能提高行为识别的准确率,群组行为以及个体行为的准确率分别达到了92.29%与78.19%.     

P-增广矩阵及其动态跟踪识别应用

P-增广矩阵是利用P-集合的动态特征改进普通增广矩阵得到的增广矩阵新结构.利用P-集合的结构与动态特征,给出P-增广矩阵与普通增广矩阵的关系,及P-增广矩阵的合取范式扩展-收缩逻辑特征;利用P-增广矩阵动态特性与系统工作状态吻合的规律,把P-增广矩阵数学模型应用于动态跟踪识别系统,为判断系统的状态特征提供了新的方法.     

多边缘服务器协作环境下基于时延感知的服务选择算法

移动边缘计算可为用户提供低时延的服务.然而,随着用户的需求变得日益复杂多样,单个边缘服务器难以满足其需求.因此,多边缘服务器协作环境下的服务选择问题成为服务计算领域的热点难题.本文首先将该问题建模成带约束的最优化问题,然后提出了一种启发式的服务选择算法-LLMES算法.该算法是在边缘服务器网络中根据迪杰斯特拉算法求解当前本地服务器的邻居节点作为候选服务器,并基于低时延多有效服务的贪心选择策略选择为用户提供有效服务最多且时延最小的服务器作为当前最优服务器.从而选择出一组相互协作的边缘服务器集合共同为用户提供服务,即选中一组满足用户需求的服务.最后,实验结果表明本文提出的LLMES算法性能明显优于其他3种具有代表性的算法.     

水文时间序列周期分析的RICp准则

为准确识别与提取水文时间序列中的显著周期成分,本文借鉴AIC准则的思想,提出了一种以相关系数作为拟合精度指标、以信息熵形式的函数式作为不确定性度量指标的周期显著性评价准则——RIC_p.以包含多个周期成分的模拟序列进行统计实验,对比不加入RIC_p准则的MCCP（moving correlation coefficient-based method for periodicity）方法、仅基于假设检验的HAM（harmonic analysis method）方法与通过熵谱峰值点选取显著周期的MESA（maximum entropy spectral analysis method）方法,从周期规律的完整性以及周期结果的准确性两个方面进行评价.分析结果表明, HAM方法和MCCP方法会给出较多的伪周期成分, MESA方法的识别结果会忽略位于峰值附近的次显著周期,基于RIC_p准则的周期分析方法在4种方法中表现最好.基于RIC_p准则的周期分析方法的优势在于,可以同时满足显著周期判断、周期显著性分级与周期成分...     

飞行计划集中处理的流量瓶颈点的识别与优化

为建设全国级的空中交通流量管理系统提供智力支持,将飞行计划集中处理这一手段,运用于预战术飞行流量管理阶段的流量管理方法和技术的研究之中,提供了一条新的研究思路.首先,利用过点时间预测算法计算过点时间,并根据过点时间统计出关键航路点的流量预测值;接下来,通过航路点容量模型识别航路上飞行流量大于容量的航路点,即流量瓶颈点;...     

基于改进Inception-ResNet-v2的城市交通路面状态识别算法

针对传统方法对于路面状态识别准确率低的问题,提出了一种改进Inception-ResNet-v2的路面状态识别算法,对6种城市交通路面状态进行识别。首先,在Inception-ResNet-v2算法的Inception-ResNet-C模块引入SENet注意力机制得到SE-Inception-ResNet-C模块,使算法学习到不同通道特征的重要程度;然后采用特征融合策略,将不同层级的特征信息融合,防止重要特征信息的丢失;最后采用全卷积结构,将原始算法中的全连接层换成卷积层,不仅保证了图像的空间结构,还能使网络接收任意尺度的图片。实验结果表明,该算法能提取关键的特征信息,有效提高了路面状态的识别精度。