体域网中基于特征组合的步态行为识别

物联网(internet of things,IOT)拥有无处不在的识别、传感和通信能力,体域网(body area network,BAN)属于物联网中和人体相关的领域,其应用广泛,可以在日常生活中对人们进行监测及提供帮助.行走是许多日常活动的基本环节,因而步态分析能为体域网应用提供重要的生理行为信息.现有的步态分析已取得一定的研究成果,但仍存在一些问题,例如大多数步态特征提取是对加速度信号进行6重以上的变换,使得特征达到了45维以上,最后需要通过降维或优化来简化特征,较为复杂.本文设计一种灵活便捷的数据采集系统,并利用小波变换、傅里叶变换和四分位差提取出加速度信号中比较简单、低维度但能反应运动特征的步态参数,之后通过模式识别算法进行步态行为识别验证.实验结果表明该系统使用方便,特征提取方法简单实用,识别精确度为97%,EER(equal error rate)最小可到0.9%.     

模的Auslander投射维数

研究模的关于Auslander类的投射维数,给出左S-模M的Auslander投射维数AC(S)pd(SM)≤n的若干等价刻画.讨论了短正合列0→U→V→W→0中各项的Auslander投射维数之间的关系,证明若U∈AC(S),则AC(S)pd(V)≤AC(S)pd(W);若V∈AC(S),则AC(S)pd(W)≤AC...     

具有常余维数2k+2l不动点集的(Z2)k作用

设(Z₂)^k作用作用于光滑闭流形Mⁿ, 其不动点集具有常余维数r, J^r_n,k是具有上述性质的未定向n维上协边类［Mⁿ］构成的 集合.J^r_*,k为未定向上协边环MO_*的理想. 通过构造MO_*的一组生成元证明由所有维数大于2^k+2^l的上协边类及分解式中每个因子的维数都小于2^k的2^k+2^l维可分解上协边类构成.     

基于网络考试系统的UML建模

通过统一建模语言(UML)对网络考试系统进行了分析和建模,建立了系统用例图,并结合主要用例-学生考试模块,建立了类图、顺序图、活动图.描述了系统的功能需求、功能流程、类的结构与关系、对象之间的交互.最终采用面向对象语言实现在线考试系统.使用这种方法对系统进行建模,优化了开发过程,并有利于提高系统的稳定性、可维护性和可重用性.     

基于PF-UKF组合滤波的SINS/GPS组合导航系统空中对准方法

针对捷联式惯性导航系统(SINS)/全球定位系统(GPS)组合导航系统模型的误差以及粒子滤波(PF)存在的粒子退化问题,结合无迹卡尔曼滤波(UKF)算法,提出一种基于PF-UKF组合滤波的SINS/GPS组合导航系统空中对准方法.由误差四元数代替姿态角,以SINS和GPS的位置差和速度差作为观测量,建立新的组合导航系统误差方程.所提出的PF-UKF组合滤波算法将采样粒子分为随机粒子和确定粒子,其中随机粒子为概率密度函数所采集,确定粒子为UKF中采集Sigma点后所求取的系统状态值.由此降低了PF处理粒子时的复杂程度以及粒子退化的程度.仿真结果表明：相比于UKF算法,该方法有效提高了组合导航系统的精度,具有较好的鲁棒性.     

基于改进粒子群算法的系统辨识新方法

提出了一种利用改进的粒子群优化算法对系统进行辩识的方法.该方法是将典型的数学模型的相互组合而构成系统模型的新辨识方法,即首先将系统结构辨识问题转化为组合优化问题,然后采用粒子群优化算法同时实现系统的结构辨识与参数辨识.为了进一步增强粒子群优化算法的辨识性能,提出了利用一种改进的粒子群优化算法.最后,给出了仿真示例,结果验证了所给的系统辨识方法的合理性和有效性.     

基于动态贝叶斯网的时变样本空间无监督学习

提出了针对概率分布参数时变的样本空间的参数估计问题,由于一般的聚类和EM算法等参数估计方法是针对概率分布时不变的样本空间的问题所采用的。因此,对于概率分布时变的样本空间而言,这些方法均不能有效、准确地估计实时变化的样本参数。通过构建动态贝叶斯网,利用先验和后验的知识进行预测和滤波,结合贝叶斯增量式学习方法并充分利用了其学习所获得的样本空间概率模型变化演进的规律,这样可以较准确、平滑地学习实时概率模型及其分布参数。     

语境驱动的仿真模型测试方法论

组合模型的有效性验证是利用模型组合实现仿真系统快速开发的迫切需求,也是组合仿真理论和方法研究的一个重要问题.在分析组合模型抽象层次的基础上讨论了不同层次组合有效性的研究内容,并针对组合模型的行为从测试的角度提出了语境驱动的仿真模型测试方法论,重点讨论了方法论中语境的概念、语境驱动的测试框架生成以及测试框架的嵌入和运行时刻检验等内容,目的是判断仿真模型及其组合行为是否忠实反映了设计信息,实现了行为无错的演化.     

向量矩阵迭代自组织XML辅助聚类算法

为了提高海量XML文档集的聚类质量,提出了一种基于向量空间模型的矩阵迭代自组织XML辅助聚类算法。该算法以XML键为基础,把XML文档转化为向量矩阵,通过矩阵迭代自组织学习对XML文档实施取消、分裂与合并等优化措施。为了加速算法的收敛性,在算法中引入辅助策略,虽然不一定达到矩阵向量分类间隔最大化的目标,却在尽可能分类的情况下使得运算时间缩短,其XML键权重调整更有利聚类效果。对比其它向量聚类算法,一系列仿真实验表明所提出算法具有一定的有效性及合理性。