基于LSTM和Conformer的下肢外骨骼步态预测方法

提出一种新颖的基于长短期记忆神经网络(Long Short-term Memory,LSTM)和Conformer相结合的步态预测方法,用于解决下肢外骨骼人机协同问题。首先利用LSTM网络模型在时间上对步态数据序列做初步的特征提取及预测,然后采用Conformer模型对LSTM模型输出的数据在时空上作进一步的深度特征提取,并经线性激活单元输出预测结果。利用Pytorch搭建LSTM-Conformer神经网络模型,由采集到的下肢姿态数据组建成的数据集作为输入,将步态所属类别标签作为输出进行验证。实验结果表明,拟议网络模型平均准确率达到了94.89%。

基于卷积神经网络的标识牌识别技术

目前而言,我国标识识别技术正处于飞速发展阶段,具体体现在处理精度、再现性、灵活性、适用面、信息压缩等方面,但是,在实际发展过程中,该技术的发展还是受到了实际需求的限制.深度学习模型运算量大,难以在轻量级嵌入式设备上运行,工业生产中噪声种类繁多复杂,影响识别准确性.针对上述问题,本文提出一种基于卷积神经网络的标识识别技术,利用改进的Canny边缘检测算法,来增强对边缘信息提取时的鲁棒性,实现在高噪声环境下对标识牌精准提取.另外为了进一步提高识别准确率,本文利用CNN和椭圆拟合相结合的思路,把模型识别结果和椭圆拟合结果相结合来判别识别的准确性,在增加少量运算量的同时提高识别准确率.

基于改进D-S证据理论的智能安全传感器

传统的家庭安全防范系统采用传感器对住宅局部环境存在的安全隐患进行监测时,存在效率低、误报率高和漏报率高等问题,因此,本文将树莓派作为载体,应用D-S证据理论,对传感器监测结果进行融合处理。针对经典D-S证据理论无法解决多传感器监测结果存在的高冲突问题,提出依据证据间相似度改进的D-S证据理论合成规则。通过实验验证及不同分析方法间的对比,该方法融合效率高,收敛速度快,具有更高的准确性,有利于盗情的决策。