预训练模型下航天情报实体识别方法

为了快速处理航天情报,基于数据驱动的深度学习技术,提出融合多源异构知识标注中文航天情报数据集的方法流程,以及基于预训练(pre-training)模型的航天情报实体识别(AIER)方法;通过对航天情报进行命名实体识别,达到对航天情报进行信息抽取的目的.通过融合BERT(bidirectional encoder representation from transformers)预训练模型和条件随机场(CRF)模型构建AIER模型(BERT-CRF模型),将其与隐马尔可夫模型(HMM)、条件随机场(CRF)模型、双向长短期记忆网络加条件随机场(BiLSTM-CRF)模型进行实体识别对比实验.结果表明:基于预训练模型的AIER模型能够取得93.68%的准确率、97.56%的召回率和95.58%的F₁值;相比于其他方法,基于预训练模型方法的性能得到提高.     

载重量变化对矿用车轨迹跟踪影响研究

针对矿用车载重量变化对车辆轨迹跟踪精度的影响,提出了一种与载重量相关的车辆模型,研究了载重量对轮胎侧向力和车辆转向系统的作用.采用粒子群PID控制（PSO-PID）算法优化了不同载重情况下横、纵向控制PID参数,采用转向前馈控制缩短了大质量情况下前轮转向角控制的过渡过程时间.仿真结果表明,与不考虑载重量变化的车辆模型相比,所述矿用车模型轨迹跟踪的精度更高,鲁棒性更强.      

融合多模态数据的自闭症谱系障碍儿童智能化识别及其有效性

自闭症发病率呈逐年上升趋势,早期发现和及时干预可以显著改善预后,能够很大程度上改善自闭症儿童的语言能力、认知能力以及行为习惯,因此,自闭症的早期识别工作意义重大.传统识别方法能够获得较好的识别结果,但过程耗时且高度依赖于专业人员的操作,而已有的智能化识别方法的识别精度难以满足应用需求.本研究探索了融合多模态数据的自闭症...     

基于卷积神经网络的γ放射性核素识别方法

快速、准确的放射性核素识别可有效地对放射性危险源进行及时的监测预警,对保护人们远离放射源的威胁具有重要意义。该文基于卷积神经网络研究了放射性核素γ能谱的识别。通过溴化镧能谱仪采集16种放射性核素的γ能谱数据,并通过改变放射性核素γ能谱的计数和能谱漂移程度,创建生成大量单核素和双核素γ能谱训练数据,利用自搭建的卷积神经网络开展放射性核素识别模型训练。实验采集其中9种核素及其双核素的混合能谱对核素识别模型开展验证,结果表明：在剂量率约为0.5μSv/h、测量采集时间为60 s时,模型的识别准确率可达92.63%,满足在低剂量率下对放射性核素进行快速识别筛查的需求。     

利用轻量化深度学习模型和加速度信号的枪击识别方法

枪支射击的检测与识别有助于实现枪支和子弹的精准管控,从而防止枪支滥用、提高公共安全。区别于传统利用加速度传感器的枪击识别需要进行特征提取的方法,本文针对不同类型的枪击加速度信号,首次采用深度学习的方法进行研究,提出了一种新的兼顾精度和轻量化的EfficientNetTime时间序列分类模型。该架构核心由MBConvTime,Fused-MBConvTime模块组成,能够自动提取枪击加速度信号特征,对不同输入时间尺度更具鲁棒性。在识别精确率方面达到97.42%超越传统枪击识别算法,并在公开枪击数据集上与SVM、决策树、随机森林三种传统机器学习模型和FCN、Resnet、Inceptiontime、Xceptiontime四种时间序列深度学习模型对比。实验结果表明EfficientNetTime模型更加高效,识别精确率也更高。     

基于复杂移动热源模拟的激光自熔覆试验研究

激光自熔覆是一种利用激光进行特定材料表面强化的工艺,在激光自熔覆系统中,获取移动热源的复杂轨迹点是至关重要的.工程应用中,工件表面的激光自熔覆往往涉及复杂的三维路径,复杂路径所产生的三维坐标点不能使用通常的二维函数来简单表达.本研究通过有限元模拟激光自熔覆工艺过程,先用建模软件根据实验试样建立自熔覆轨迹复杂的三维模型,导入到有限元软件中进行分析,然后针对工业生产中常用的汽车模具材料GGG70L(德标球墨铸铁)建立逼近真实的有限元模型,提出线性插值方法并运用在移动热源子程序中,实现了复杂三维自熔覆轨迹的模拟.采用激光光斑20 mm,激光扫描速率8 mm/s,激光功率2 800 W,将有限元模拟形变量的实验与工程实验进行对比分析,结果表明两者的平均误差约为0.7%,误差范围在实际工程可接受的范围之内,说明有限元模型和模拟结果可靠,可在一定程度上代替工程实验,从而提高激光淬火实验的效率并节省成本.     

人体异常坐姿识别方法研究进展

日常生活中,久坐往往会出现异常坐姿,频繁的异常坐姿导致人们患上骨骼肌肉疾病的现象愈发普遍,及时识别异常坐姿并进行提醒对人们的健康具有重要意义。文章综述了人体异常坐姿识别方法研究进展。从数据采集角度出发,将识别方法分为基于接触式传感器的人体异常坐姿识别方法,基于射频信号的人体异常坐姿识别方法,基于机器视觉的人体异常坐姿识别方法,并对这3类方法进行综述,分析各方法的特点。其中,采用接触式传感器的方法,分别从可穿戴设备和压力传感器两个角度阐述;而基于机器视觉的方法,分别从所使用的前景图像和人体骨骼关键点两个方面进行综述。最后,总结并分析了代表性人体异常坐姿数据集,统计并分析了代表性人体异常坐姿识别算法的性能表现,总结并展望了人体异常坐姿识别方法的发展趋势。     

动量更新与重构约束的限制视角下3D物品识别

提出了一个基于动量更新表示与重构约束的神经网络训练框架:在视角标签信息缺失的限制性条件下,使用2D(two-dimensional)图像进行3D(three-dimensional)物品识别.首先,使用自监督学习来解决训练过程中标签缺失的问题.其次,在动态队列基础上,使用动量更新来保持物品表示的稳定性.更进一步地,在训练框架中加入自编码器模块,利用重构约束使模型学习到的表示具有更多的语义信息.最后,提出动态队列递减策略,解决训练过程中数据分布不均衡带来的准确度下降问题.在2个广泛使用的多视角数据集ModelNet和ShapeNet上进行了实验,结果表明所提方法具有良好的性能表现.     

面向骑行地图推断的轨迹数据质量提升方法

由于定位设备误差、非机动车骑行习惯等因素的影响,骑行轨迹存在数据异常与定位信息缺失等质量问题,为骑行地图推断和骑行路径规划等基于轨迹的应用带来了极大挑战.为解决上述问题,提出了一个面向骑行地图推断的轨迹数据质量提升框架,包括网格索引构建、异常轨迹点的消除、徘徊轨迹段的消除、违章轨迹段的消除、漂移轨迹段的校准以及缺失轨迹的恢复等.在真实非机动车骑行轨迹数据集上进行了对比实验和消融实验,实验结果验证了所提方案对于提升骑行地图推断的精度优于现有方法.     

基于混合特征图的非侵入式负荷监测算法

针对目前的非侵入式负荷监测算法所需运算成本高、难以实用推广的现状,提出一种低运算成本的基于混合特征图的非侵入式负荷监测算法。首先,提取设备的功率特征和稳态电压-电流轨迹图特征,将设备功率特征进行维数变换后与电压-电流轨迹特征图组合,得到设备混合特征图。该特征图以小尺寸灰度图为载体,减小了硬件存储与模型算力的成本。然后,基于LeNet卷积神经网络建立设备辨识模型,以混合特征图为输入,实现对设备种类的辨识。最后,使用PLAID数据集对所提算法的结果准确性与计算性能进行测试。结果表明：所提算法的设备辨识准确率可达92.7%,与辨识准确率相差小于1%的同类算法相比,在算法参数量和运算量方面减少了99%,能有效减少NILM的运算成本。