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。     

基于主题迁移的跨视角动作识别

利用迁移学习的思想,提出了一个主题迁移模型(topic transfer model)用于跨视角的动作识别。借助源视角视频和目标视角视频,学习一个迁移模型,利用这个模型来实现对目标视角下视频的分类。具体方法是在源视角下训练一个主题模型,将反应源视角的语义信息传递到目标视角中,然后在目标视角中训练一个主题模型,实现跨视角的动作表示,利用支持向量机进行动作的训练和分类。实验结果验证了该方法的有效性。     

基于FDS模拟的大型会展中心主会议厅性能化防火设计研究

在分析大型会展中心主会议厅防火分区、防火分隔与安全疏散设计的基础之上,基于其消防性能化防火设计目标、火灾增长速率分析和性能化防火设计的条件,采用FDS模拟对大型会展中心主会议厅发生火灾时的温度、烟气蔓延特性进行模拟分析,模拟结果表明:在各消防设施有效动作的情况下,各设定火灾场景的人员可用疏散时间不小于1 200 s,大于720 s(12 min).在自动喷水灭火系统或排烟系统失效的情况下,人员可用疏散时间亦不低于1 076 s,大于720 s(12 min).在自动灭火系统和机械排烟系统均有效或者失效时,烟气均不会蔓延出会议厅而对其它区域的人员疏散造成影响.     

基于DSP和MEMS的人体动作识别系统

为解决现有虚拟训练软件的人体动作输入设备沉浸感和训练效果不足的问题,采用DSP和微机电系统（MEMS）构建人体动作识别系统。该系统应用MEMS器件为核心构建微惯性测量单元（MIMU）模块,模块的DSP芯片完成传感器数据采集和人体姿态解算。实验结果表明系统样机在动态活动测试中运行稳定可靠,动态解算精度在1?以内,可准确测量人体动作,满足虚拟训练要求。该研究提供了一种新型的虚拟训练软件的硬件输入设备,具有一定的市场价值。     

后真相时代基于敌意媒体效应的观点演化建模与仿真

后真相时代群体立场的对立加剧和媒体公信力的下降导致敌意媒体效应凸显。为揭示敌意媒体效应对舆论形成的影响,探究舆论群体和大众媒体之间的互动机制,提出一种考虑媒体敌意和意见领袖的观点演化模型,并进行仿真实验。仿真结果与分析表明,媒体的真实观点、群体与媒体的交流概率、极端意见领袖的比例等因素都会调节群体的极化程度。结果从定量角度揭示了敌意媒体效应的存在会对舆论形成,尤其是群体极化的加剧造成重要影响。     

浅谈触发器的教学

触发器是最基本的时序逻辑电路,在时序逻辑领域内占有相当重要的地位.总结触发器教学经验,寻求适合触发器教学的方法,使学生能较好地掌握触发器的电路结构、工作原理和逻辑功能,为后续时序逻辑电路的学习打下扎实基础是很有必要的.     

虚拟仿真培训系统中物体交互技术研究

通过使用特征建模方法,把交互信息存储到物体描述中,这种方法大大提高了运行速度。减小了计算量．同时针对油田安全操作仿真系统的特点,对其操作任务进行了分段和分层的任务划分,总结出了一套通用的基本动作,建立了基本动作库．通过使用基本动作库中的动作对虚拟人的行为进行规划．由于Smart物体和基本动作库的可重用性,大大提高了油田安全操作仿真训练系统的开发速度．     

试论"天命"

基于冯友兰先生在《新原道》中对"天命"概念的两种不同的阐释,按两种思路研究"天命".第一种阐释为:"所谓天命,可解释为人所遭遇的宇宙间的事变,在人力极限之外,为人力所无可奈何者."由此通过论证知:"天命"是在生命历程完成或基本完成后,才被认识的,这是属于认识"天命"的真理.第二种阐释为:"……所谓天命亦可解释为上帝的命令."由此通过论证得到两个结论和一个疑问,并且可看到疑问之重要性甚于结论.     

基于3DCNN的人体动作识别方法

针对三维卷积神经网络在特征提取过程中,极易出现神经元被抑制直接失去活性的现象,提出一种改进的人体动作识别模型,在卷积过程中使用Leaky ReLU激活函数,对静默神经元恢复更新利用,深层次摄取图像之间的时间和空间信息,丰富神经网络特征结构;并且结合批量归一化处理,使信息素点规则化重新分布,有助于高效完成特征提取,提高收敛速度。在UCF-50公共数据集上的实验结果表明,该模型的准确率达到91.25%,相比其他方法至少提高6%,验证了模型的有效性。     

融合人体骨架和姿势信息特征的轻量级人体动作识别方法

针对人体动作识别任务中特征值选取不当导致识别率低、使用多模态数据导致训练成本高等问题,提出一种轻量级人体动作识别方法。首先使用OpenPose、PoseNet提取出人体骨架信息,使用BWT69CL传感器提取姿势信息;其次对数据进行预处理、特征融合,对人体动作进行深度学习分类识别;最后,为验证此方法的有效性,在公开数据集WISDM、UCIHAR、HASC和自建的人体动作数据集上进行实验验证,并使用改进的目标引导注意力机制(target-guided attention,TGA)–长短期记忆(long short term memory,LSTM)网络输出最终的分类结果。实验结果表明,在自建数据集下融合姿势和骨架特征达到99.87%准确率,相比于只使用姿势信息特征,识别准确率提高了约5.31个百分点;相比于只使用人体骨架特征,识别准确率提高了约1.87个百分点;在识别时间上相比于只使用姿势信息,识别时间降低了约29.73 s;相比于只使用人体骨架数据,识别时间降低了约9 s。使用该方法能及时有效地反映人体的运动意图,有助于提高人体动作和行为的识别准确率和训练效率。