基于UNet3+生成对抗网络的视频异常检测

为解决传统视频异常检测方法在不同场景下多尺度特征提取不完全的问题,提出两种方法:一种是用于简单场景的基于UNet3+的生成对抗网络方法(简称U3P^(2)),另一种是用于复杂场景的基于UNet++的生成对抗网络方法(简称UP^(3))。两种方法分别对连续输入的视频帧生成预测,引入多种损失函数和光流模型学习其外观与运动信息,通过计算AUC进行性能评估。U3P^(2)方法以6.3 M参数量在Ped2数据集的AUC提升约0.6%,而UP^(3)方法在Avenue数据集的AUC提升约0.8%,验证其能够有效应对不同场景下的异常检测任务。

基于EEG和面部视频的多模态连续情感识别

针对脑电(Electroencephalogram, EEG)通道间和时间上情绪强度的改变很难被捕捉,以及不同被试的面部特征情绪上的相似性难以挖掘的问题,文章提出了一种基于EEG和面部视频的多模态连续情感识别模型.采用基于时空注意力机制(Spatial-Temporal Attention)的卷积和双向长短期记忆神经网络的组合模型(STA-CNNBiLSTM)对EEG中提取的功率谱密度(Power Spectral Density, PSD)特征进行深层特征学习与情感分类;采用引入自注意力机制的预训练卷积神经网络(SA-CNN)对人脸面部几何特征进行学习与情感分类.采用决策级融合算法,对两个模态的分类结果进行迭代学习与融合,得到最终多模态情感分类结果.在公开数据集MAHNOB-HCI进行了大量对比验证实验,在FER2013数据集的面部几何特征上对SA-CNN模型进行了预训练.在独立被试的实验中,所提模型在效价维度二分类的平均准确率为75.50%,在唤醒维度二分类的平均准确率为79.00%,均优于单模态上的最高平均准确率.和目前流行的模型LSSVM、SE-CNN和AM-LSTM相比较,所提模型的分类效果更优,验证了所提时空注意力机制能够捕捉更多的EEG时空特征,自注意力机制能够关注到不同被试面部特征的相似性,进而提高了多模态情感识别的性能.

基于语义增强双编码器的方面情感三元组提取

方面情感三元组提取(Aspect Sentiment Triplet Extraction,ASTE)是方面级情感分析领域的一项关键任务,目的是提取出句子中给定的方面词、观点词及对应的情感极性。传统的ASTE方法因未充分考虑语义信息和语法结构之间的交互作用,导致模型性能受限。针对这一问题,文章提出了一种基于语义增强的双编码器三元组提取方法。首先,使用基于BERT(Bidirectional Encoder Representation from Transformers)的基本编码器提取单词的上下文信息。其次,基于GloVe词向量和Amazon特定评论词典,使用由门控循环单元(Gate Recurrent Unit,GRU)网络和图卷积网络(Graph Convolutional Network,GCN)结合构建的特定编码器提取深层语义信息,在此过程中通过引入图注意力机制实现基本语义特征与深层语义特征的交互融合。最后,使用边界驱动表填充(Boundary-Driven Table-Filling,BDTF)方法进行三元组提取。在4个公开的数据集上的实验验证表明,所提模型可以高效地捕获并利用句子的深层语义信息,实现较准确的方面情感三元组提取。

基于深度卷积神经网络的脑电信号情感识别

为了点对点自动学习脑电信号(Electroencephalogram,EEG)空间与时间维度上的情感相关特征,提高脑电信号情感识别的准确率,基于DEAP数据集中EEG信号的时域、频域特征及其组合特征,提出一种基于卷积神经网络(Convolution Neural Network,CNN)模型的EEG情感特征学习与分类算法。采用包括集成决策树、支持向量机、线性判别分析和贝叶斯线性判别分析算法在内的浅层机器学习模型与CNN深度学习模型对DEAP数据集进行效价和唤醒度两个维度上的情感分类实验。实验结果表明,在效价和唤醒度两个维度上,深度CNN模型在时域和频域组合特征上均取得了目前最好的两类识别性能,在效价维度上比最佳的传统分类器集成决策树模型提高了3.58%,在唤醒度上比集成决策树模型的最好性能提高了3.29%。

共空间模式结合小波包分解的脑电情感分类

为了有效缓解不同受试者跨天试验间脑电信号差异对分类性能的影响,结合共空间模式和小波包分解算法,对12个受试者连续5天的脑电波数据进行空间滤波处理和时频域上小波包能量特征提取。采用Bagging tree、SVM、LDA和BLDA模型进行情感分类实验。实验结果表明,使用SVM和BLDA分类器对该算法提取的脑电特征进行两类情感分类的精度比目前最优的结果分别提高了4.4%和3.5%,有效地提高了跨天脑电情感分类的准确率和稳定性,对于开发鲁棒的情感脑-机接口应用具有一定价值。

基于数据空间自适应与共空间模式的脑电情感分类

为缓解日间脑电信号波动和差异导致情感分类性能下降的问题,在数据空间自适应(DSA)与共空间模式(CSP)迭代的基础上,提出一种用于脑电情感分类的特征提取算法。针对12个受试者连续5 d的情感脑电信号,采用DSA算法对脑电信号进行空间线性变换,再使用CSP将脑电信号变换到最优子空间,提取日间差异最小且类间差异最大的脑电功率谱密度特征及微分偏侧与差异因果特征。实验结果表明,该算法能提高脑电信号情感分类的准确率和稳定性。

基于混合神经网络的脑电时空特征情感分类

提出一种脑电图(electroencephalograph,简称EEG)数据表示方法,将一维链式EEG向量序列转换成二维网状矩阵序列,使矩阵结构与EEG电极位置的脑区分布相对应,以此来更好地表示物理上多个相邻电极EEG信号之间的空间相关性.再应用滑动窗将二维矩阵序列分成一个个等长的时间片段,作为新的融合了EEG时空相关性的数据表示.还提出了级联卷积-循环神经网络(CASC_CNN_LSTM)与级联卷积-卷积神经网络(CASC_CNN_CNN)这两种混合深度学习模型,二者都通过CNN卷积神经网络从转换的二维网状EEG数据表示中捕获物理上相邻脑电信号之间的空间相关性,而前者通过LSTM循环神经网络学习EEG数据流在时序上的依赖关系,后者则通过CNN卷积神经网络挖掘局部时间与空间更深层的相关判别性特征,从而精确识别脑电信号中包含的情感类别.在大规模脑电数据集DEAP上进行被试内效价维度上两类情感分类实验,结果显示,所提出的CASC_CNN_LSTM和CASC_CNN_CNN网络在二维网状EEG时空特征上的平均分类准确率分别达到93.15%和92.37%,均高于基准模型和现有最新方法的性能,表明该模型有效提高了EEG情感识别的准确率和鲁棒性,可以有效地应用到基于EEG的情感分类与识别相关应用中.

遥测三相流产出剖面组合测井仪

介绍一种过环空三相流多参数组合测井仪。通过采用单相流计量仪的涡轮流量计测量体积流量 ,其流动回路实验结果表明 ,涡轮仪表常数 k与流动密度ρn之间存在线性关系。传感器的测量原理是利用1 0 9Cd放射源发射的γ和 X射线分别确定三相平均密度和持水率 ,针对不同的配比流动密度和含气率分别作出持水率与实配含水率及流量的关系图版。井温和井下压力的测量分别采用铂电阻传感器和应变传感器测量。根据测得的涡轮转数、密度、持水率、井温和压力等参数计算三相总流量、流动密度、含水率、含油率、含气率等 ,进而得到油、气、水三相的分相流量 ,最后得到三相产出剖面成果。经大庆油田现场 10井次试验获得的三相产出剖面测井资料证明 ,其仪器的测量重复性好 ,测量值与井口计量符合较好 。

基于阈值决策的小波降噪方法研究及其改进

分别从小波基、阈值的选择等方面详细讨论了基于阈值决策的小波降噪方法及其应用。在此基础上 ,探讨了对传统的阈值方法的改进 ,即平移不变小波变换去噪法。实验证明 ,应用改进后的方法能更好地逼近真实信号。

利用XML扩展基于MVC模式的Web应用框架的研究

针对目前Web应用的需求以及存在的问题,讨论了在J2EE平台上利用JSP/Servlet/EJB技术构建的一个基于MVC模式的Web应用框架,然后提出利用XML技术来扩展这个应用框架的方案,并在虚拟企业异地产品协同设计管理系统的开发过程中验证了这一方案的可行性和有效性。

智能电能表动态特性测试相关问题分析

首先给出了动态测量的概念,概括了动态特性测试涉及的科学问题;据此,提出了动态电能测量和稳态电能测量的概念,给出了动态负荷、动态负荷特性、冲击负荷、动态电流的定义。进而,提出了动态测试激励信号建模的要求、电能表动态特性测试的相关要求、以及电能表的系统动态建模要求。其次,论述了电能表动态测试信号与系统建模的研究现况。然后,通过对比控制系统、测量系统、传感器的动态建模研究现状,指出了电能表的系统建模和测试信号建模的不足与存在问题,以及电能表的系统建模与测试信号建模的复杂性和差异性。最后,在分析控制系统与传感器的动态特性指标的基础上,提出了电能表的动态特性指标。论述的内容旨在为智能电能表动态特性的研究方面提供系统的研究思路,明确了电能表动态测试信号的建模要求和电能表系统建模要求。

协同设计中基于XML的产品信息模型的研究

提出了XML描述的产品设计信息文档模型以及XML文档信息交互处理的方法;并以机械设备喷射泵的协同设计为例,在基于XML文档树模型和模式的中小企业产品异地协同设计的原型系统中,实现了产品数据资源的浏览与交互处理的统一描述;采用传输XML表达的设计语义而不是三维实体造型的数据交换方法,在减轻网络负荷的同时,满足了协同设计中实时、同步的产品显示与造型的需求。

用于脑电数据增强和情绪识别的自注意力GAN

针对脑电信号(electroencephalogram,EEG)情绪识别中数据稀缺及由此导致的情感分类精度不高的问题,提出了一个引入自注意力机制的条件Wasserstein生成对抗网络(SA-cWGAN),通过自注意力模块从训练数据学习长时上下文相关的全局特征,采用Wasserstein距离和梯度惩罚的Lipschitz约束对网络的损失函数进行优化,进而生成高质量的EEG数据对原有训练集进行增强。所提方法分别在DEAP和SEED数据集上进行了大量的二分类和三分类对比实验,生成了与EEG训练数据分布接近的微分熵(DE)和功率谱密度(PSD)特征,以此来增强EEG训练数据集,采用SVM分类器对增强后的EEG特征进行情绪分类。实验结果表明,在DEAP数据集上的唤醒度和效价维度下,增强后的DE、PSD特征较原有DE、PSD特征二分类准确率分别提高了16.63、17.55个百分点和6.48、8.34个百分点;在SEED数据集下,三分类准确率分别提高了4.64、5.18个百分点,证明所提方法生成的特征具有良好的鲁棒性,也表明通过对GAN网络引入自注意力机制生成的特征增强原有训练数据集能够有效提高EEG情绪识别的准确率和稳定性。

RSVP与SSVEP混合脑电信号刺激与多类事件检测

提出一种新的基于快速序列视觉呈现(Rapid Serial Visual Presentation,RSVP)与稳态视觉诱发电位(Steady-State Visually Evoked Potential,SSVEP)组合范式的脑电信号(Electroencephalogram,EEG)刺激与多类事件检测方法。对诱发的原始脑电信号通过电位重参考、基线去除、空间滤波等预处理操作去除数据的伪迹和噪声,通过自举聚合决策树(Bagging Tree,BT)和支持向量机(Supported Vector Machine,SVM)等机器学习算法,对14名受试者双重刺激诱发的脑电信号进行目标与频率相结合的多类事件检测,通过实验验证了该组合范式诱发的脑电信号具有良好的多类可分性,为开发基于RSVP和SSVEP两种范式的混合型脑-机接口应用提供了一种新的有效途径。同时,实验结果还表明,基于机器学习的BT和SVM模型对RSVP和SSVEP组合范式诱发的EEG信号进行多类识别的性能明显优于传统的典型关联分析(Canonical Correlation Analysis,CCA)算法的性能。

新的全球定位系统弱信号高灵敏捕获算法

通过对弱信号条件下的全球定位系统(GPS)捕获算法的分析,建立了相干累加—非相干累加结合捕获算法的信号模型及检测概率模型。为了提高强弱信号并存时GPS卫星信号的捕获性能,提出一种采用序贯概率比检测方法的GPS捕获算法。对该方法和相干累加—非相干累加算法的检测概率、时间复杂度进行了分析比较,并进行了仿真验证。通过理论分析和计算机仿真,证明该方法在保证较高检测概率性能情况下,可以有效地缩短强弱信号并存时的检测时间,提高对GPS弱信号的捕获性能。

基于3D矩阵特征与多维卷积网络的脑电信号情感识别

人类大脑皮层能够对不同情感产生动态响应,在这一神经科学研究成果的启发下,提出一种基于3D矩阵特征与多维卷积神经网络的脑电(Electroencephalogram,EEG)信号情感识别方法,用MCNN表示.该3D矩阵特征是指每个时间点上提取的6个频带的PSD特征按大脑电极位置分布,转换为9×9网状矩阵后连接得到的一个9×9×6的三维矩阵,该表征方法能够直接准确反应大脑皮层EEG信号的空间相关性和时频动态,再将该特征输入一个多维卷积神经网络进一步提取相关深度语义特征并进行情感分类.所提方法在DEAP数据集中脑电信号的唤醒度和效价维度上两类情感分类的平均准确率分别达到了85.88%和87.32%,相同实验条件下,比目前较优手工特征的平均分类准确率分别提升了5.41%和5.69%,比最优深度模型的平均分类准确率分别提升了3.52%和4.18%,验证了该方法的先进性和有效性.

基于XML的Web数据挖掘模型的研究

在分析XML技术的基础上,提出了基于XML的Web数据挖掘模型,并结合实例说明了具体的实现方法,同时针对模型系统的不足提出了一些改进。

基于卷积联合适应网络的脑电信号情感识别

提出一种基于深度卷积联合适应网络(Convolutional neural network⁃joint adaptation network,CNN⁃JAN)的脑电信号(Electroencephalogram,EEG)情感识别模型。该模型将迁移学习中联合适应的思想融合到深度卷积网络中,首先采用长方形卷积核提取数据的空间特征,捕捉脑电数据通道间的深层情感相关信息,再将提取的空间特征输入含有联合分布的多核最大均值差异算法(Multi⁃kernel joint maximum mean discrepancy,MK⁃JMMD)的适配层进行迁移学习,使用MK⁃JMMD度量算法解决源域和目标域分布不同的问题。所提方法在SEED数据集上使用微分熵特征和微分尾端性特征分别进行情感分类实验,其中使用微分熵特征被试内跨试验准确率达到84.01%,与对比实验和目前流行的迁移学习方法相比,准确率进一步提高,跨被试实验精度也取得较好的性能,验证了该模型用于EEG信号情感识别任务的有效性。

基于注意力双向GRU网络的多模态脑电情感识别

脑电(Electroencephalogram, EEG)等生理信号凭借其独有的客观性,在情感识别领域已经成为热门的研究对象.针对单一模态特征不够完备的问题,本文提出一种基于注意力双向门控循环单元(Gated Recurrent Unit, GRU)神经网络的多模态脑电情感识别方法,用Mul-AT-BiGRU表示.该方法首先通过注意力机制融合脑电、眼动这两种模态的三种不同特征,实现不同模态特征间的全局交互,再将得到的多模态融合特征输入带有注意力机制的双向GRU网络进行深度语义特征提取和情感分类.该方法通过挖掘不同模态数据间的互补关系,使学习到的深层情感相关特征更具判别性.所提方法在多模态数据集SEED-IV上进行实验,被试内平均分类准确率达到95.19%,比三种单一模态特征的平均分类准确率分别提升了20.22%、20.04%和17.5%;被试间的平均分类准确率达到62.77%,优于目前一些同类方法,验证了所提方法在多模态脑电情感识别上的有效性和泛化性.

基于UPF的INS非高斯噪声故障检测

由于实际组合导航系统很可能受到非高斯噪声的影响,而传统的故障检测方法对非高斯噪声情况讨论较少。基于粒子滤波的故障检测技术非常适合处理非线性、非高斯问题,并且有效地克服了传统方法的不足,但是普通的粒子滤波器存在粒子"退化"等问题。为此,本文提出了一种基于UPF滤波器的导航系统故障检测方法,通过在普通粒子滤波中引入UKF产生建议分布及重采样的方法,有效抑制了普通粒子滤波器粒子"退化"的问题。并针对噪声的非高斯特性,将似然检测方法与粒子滤波可以估计似然函数的特点相结合,提出了一种基于UPF的故障检测方法。通过GPS/SINS组合导航系统在噪声服从瑞利分布情况下的故障检测仿真实例,表明此方法适用于在非高斯噪声情况下的导航系统故障检测。