面向通用模型的高可用性步态周期分析方法

步态数据分析是模式识别、数据挖掘与智能数据分析领域中的一个重要研究方向.对步态数据进行分析并求解步态周期段,是该领域的一个核心课题,其中,以波峰波谷识别、步态模板匹配、利用信号处理基本方法为主.这些方法尽管已取得了一定条件下的应用,但大多需要预知步态数目、步态模板数据等基本信息,其可用性受限.针对这一问题,提出一种结合了波峰波谷检测与阈值空间的高可用性步态周期分析方法,通过自动求解预估值并构建自适应区间,根据通用步态模型对缺乏上述信息的未知步态数据进行切分与分析,能够更便利准确地求解步态周期数据.同时也提出了一种过滤不相关数据的方法,用于过滤测试数据头尾的部分不相关数据.该方法与朴素快速傅里叶方法和本领域3类最新典型方法进行了对比,实验结果显示:在所有样本中,该方法的步态周期段求解准确度最高,使步态数据的分析与处理更贴合实际情况.

基于KFCM-MultiSwarmPSO的SVR参数寻优策略

针对目前支持向量回归机模型(SVR)参数寻优的各类基本方法,从提高计算效率及降低早熟收敛概率角度,从粒子群算法出发,提出一种新型的基于核模糊聚类(KFCM)算法参数自学习方法:多种群粒子群算法(Multi Swarm PSO)来对支持向量回归机的参数寻优策略进行改进。在改进策略中,融入k折交叉验证(k-CV)法并提出用幂函数作为粒子群算法动态学习因子的方法来提高算法性能。针对5个不同特点的数据集,用提出的改进粒子群算法与网格算法(Grid Algorithm)、标准粒子群算法(PSO)、标准遗传算法(GA)、人工蜂群算法(ABC)4种智能参数自学习算法进行对比,实验结果表明,改进算法在参数寻优的时间效率及拟合准确度方面相对传统方法有一定的提高,可以求解出更符合需求的参数组。