智能生理监测护腕设计

人体生命体征的监测对于疾病的早期发现与治疗具有非常重要的意义,传统的人体生命体征检测设备存在操作不便、速度慢、携带性差等缺点,我们将温湿度传感器、血压传感器、脉搏传感器和单片机构成一个便携系统———智能生理监测护腕,该系统能够方便、快捷、随时监测人体生命体征指标,并能及时分析、预警。     

低渗透油藏压裂水平井压力动态特征研究

为研究低渗透油藏的压力动态特征,建立了考虑缝网压裂的压裂水平井三线性流数学模型,通过拉普拉斯变换和杜哈美原理求得了考虑井储和表皮效应影响的井底无因次压力解,应用Stehfest数值反演算法绘制了油井的井底压力动态响应曲线。分析了压力动态曲线特征并对其敏感性因素进行了研究。研究表明,弹性储容比主要影响压力导数曲线窜流凹子的宽度和深度及出现时间的早晚;窜流系数主要影响窜流凹子出现的位置;裂缝导流能力主要影响裂缝-内区(缝网区域)地层双线性流出现时间的早晚及内区窜流凹子的位置和形态;内区宽度主要影响内区地层线性流的持续时间。     

基于深度卷积神经网络与中心损失的人脸识别

传统人脸识别方法手工设计特征过程复杂、识别率较低,对于开集人脸识别通用深度学习分类模型特征判别能力较弱。针对这两方面的不足,提出了一种以分类损失与中心损失相结合作为模型训练监督信号的深度卷积神经网络。首先,利用构建的应用场景数据集优调从公共数据集获得初始化参数的深度人脸识别模型,解决训练数据过小和数据分布差异问题,同时提高模型训练速度;然后,以传统损失函数和新的中心损失作为迁移学习过程中的监督信号,使得类内聚合、类间分散,提高模型输出人脸特征的判别能力;最后,对人脸特征进行主成分分析,进一步去除冗余特征,降低特征复杂度,提高人脸识别准确率。实验结果表明,与传统人脸识别算法相比该算法可以自动进行特征提取,并且相对于通用深度学习分类模型该算法通过度量学习使特征表示更具判别力。在自建测试集和LFW、YouTube Faces标准测试集上都取得了较高的识别率。     

“课外访万家”的几点思考

探讨了在当今社会进行家访的必要性和重要意义。在家访中如何实施正确的教育策略,并对家访中发现问题进行理性思考。     

PCA在人脸识别中的应用

利用人脸特征进行身份鉴别是生物特征识别中最直接的手段,而在人脸特征鉴别中,特征提取是很重要的一个步骤,对特征提取中最常用的算法——PCA（特征脸）算法进行了分析,归纳,并通过实验说明了不同投影轴对识别率的影响。     

基于差空间的MPCA人脸识别方法

在利用差空间构建新的样本空间的基础上，利用分块PCA（MPCA）特征提取方法，提出一种基于差空间的MPCA人脸识别新方法，较好地改善由于光照条件不同带来的不稳定性，并能有效地提取图像的局部特征，对人脸表情也具有较强的鲁棒性。     

基于边界敏感网络的时序行为候选生成算法

针对视频序列中人体行为检测的问题,提出一种基于边界敏感网络的时序行为候选生成算法,在原有边界敏感网络的基础上通过对时序评估模块和候选评估模块引入更深层的卷积神经网络,进而对视频特征有更好的表达。同时在后处理阶段,在NMS(non-maximum suppression)算法中引入新的置信度分数高斯加权衰减方法。实验结果表明,该算法可以有效提高行为检测问题中时序行为候选生成任务的召回率。在公开数据集Activity Net上,提出的方法在保证生成相同数量候选的同时有更高的平均召回率。