基于MobileNetV2和IFPN改进的SSD垃圾实时分类检测方法

针对垃圾分类检测任务中检测目标尺寸不一和小目标检测精度不高等问题,构建一种基于隐式特征金字塔网络(IFPN)和MobileNetV2的改进SSD模型的分类检测方法,对垃圾进行实时分类检测。首先,将改进后的MobileNetV2引入SSD,加入带有空洞卷积的空间金字塔池化模块(ASPP),在降低网络模型计算复杂度的同时保证网络实时性和精确性;其次,采用IFPN从网络的深层到浅层逐级融合SSD,更精确地检测出小目标;最后,使用Focal Loss函数调节正负样本之间的权重。实验结果表明,在阈值为0.4时,所提方法比传统SSD平均精确率均值(mAP)提高了4.84个百分点,检测耗时减少了72.7%,能满足边缘计算设备对模型的各项要求。

基于CAST-IFPN的地铁站点火灾安全评价

为定量评价地铁站点火灾风险状态,基于系统理论的致因分析方法(causal analysis based on systems theory,CAST)阐述了地铁站点火灾的发生机理,并描述了风险事件之间的因果连锁关系。通过构建模糊Petri网(fuzzy Petri net,FPN)对安全风险传播过程进行图示描述,结合云模型与数据挖掘算法对一般FPN进行扩展改进,实现了对风险特征灰云的确定与特征关系的挖掘,并通过正反向推理实现了风险传播路径的演绎与风险的识别排查。最后结合实例数据对模型进行推理演绎,验证了评估方法的有效性,为地铁站点火灾安全评价提供了一种新的方法和思路。

外骨骼式上肢康复机器人及其控制方法研究

提出了一种融合单、多关节及日常生活功能行动作训练的5自由度外骨骼式偏瘫上肢康复机器人系统.根据偏瘫患者上肢单侧受损的特点,提取偏瘫患者的健侧肢体运动的表面肌电信号用于驱动康复机器人辅助患者患侧肢体实现康复训练动作.采用肌电绝对值积分和自回归参数模型法对上肢运动中参与动作的4块肌肉产生的sEMG信号分别进行特征提取,并分别作为基于Levenberg-Marquardt算法的反向传播神经网络的输入,6个上肢运动作为输出建立表面肌电信号与上肢康复动作之间的关系.试验结果表明该方法利用sEMG准确地完成了对上肢康复动作的识别.该方法有利于提高中枢神经系统紧张度,促进血液循环,在康复的同时防止并发症的产生,更有利于提高患者运动积极性,保持患者正确运动的感觉.

基于直觉模糊Petri网的知识表示和推理

针对模糊Petri网存在隶属度单一的问题,将直觉模糊集理论与Petri网理论相结合,构建直觉模糊Petri网(Intuitionistic Fuzzy Petri Nets,IFPN)模型,用于知识的表示和推理.首先构建了IFPN模型,并将其应用于知识的表示,通过在模型中引入抑止转移弧,解决了否命题的表示问题.其次提出了基于矩阵运算的IFPN推理算法,通过修改变迁触发后token值的传递规则,解决了推理过程中的事实的保留问题;通过修改变迁的触发规则,抑制了变迁的重复触发.最后对推理算法进行了分析,并举例验证了提出的IFPN模型及其推理算法的可行性,结果表明IFPN是对FPN的有效扩充和发展,其对推理结果的描述更加细腻、全面.

基于直觉模糊Petri网的敌意图识别方法研究

现代战争中由于战场态势的不确定性,敌战术意图的识别也应作为一个动态的不确定性决策问题进行研究。针对该不确定性动态识别问题,综合利用直觉模糊集合理论与Petri网理论的优点,构建了敌战术意图识别的直觉模糊Petri网模型及其推理算法,在推理过程中充分发挥Petri网的动态并行推理能力,使得推理更加高效,由于非隶属参数的作用,推理结果更加准确可信。通过建模仿真给出该模型的应用步骤,验证了其正确性和合理性。

基于直觉模糊Petri网的混合推理方法

针对现有的基于模糊Petri网(Fuzzy Petri Nets,FPN)和直觉模糊Petri网(Intuitionistic Fuzzy Petri Nets,IFPN)的推理方法在求解只涉及知识库中部分规则的问题时存在推理过程复杂、效率不高,而且不能对问题产生的原因进行分析等缺陷,提出一种基于IFPN的混合推理方法.该方法将反向推理与正向推理相结合,首先把所要求解的问题转化为目标库所,并引入关联库所、关联变迁和子模型等概念;其次运用反向推理寻找目标库所的关联库所和变迁并构建推理子模型,从而获取问题产生的潜在原因并简化推理模型;最后以子模型作为推理模型,运用正向推理求解目标库所的token值,解决了直接运用原模型进行推理时过程复杂且效率不高的问题.与此同时,通过在模型中引入阈值以及"路径"和"有效路径"等定义,排除无效关联库所,从而找出了问题产生的真正原因.实例验证表明该方法可行且有效,与现有方法的对比分析表明该方法克服了现有方法的缺陷.

结合倒置特征金字塔和U-Net的高光谱图像分类

目的地物分类是对地观测研究领域的重要任务。高光谱图像具有丰富的地物光谱信息,可用于提升遥感图像地物分类的准确度。如何对高光谱图像进行有效的特征提取与表示是高光谱图像分类应用的关键问题。为此,本文提出了一种结合倒置特征金字塔和U-Net的高光谱图像分类方法。方法对高光谱数据进行主成分分析(principal component analysis,PCA)降维,获取作为网络输入的重构图像数据,然后使用U-Net逐层提取高光谱重构图像的空间特征。与此同时,利用倒置的特征金字塔网络抽取相应层级的语义特征;通过特征融合,得到既有丰富的空间信息又有较强烈的语义响应的特征表示。提出的网络利用注意力机制在跳跃连接过程中实现对背景区域的特征响应抑制,最终实现了较高的地物分类精度。结果分析了PCA降维方法和输入数据尺寸对分类性能的影响,并在Indian Pines、Pavia University、Salinas和Urban数据集上进行了对比实验。本文方法在4个数据集上分别取得了98.91%、99.85%、99.99%和87.43%的总体分类精度,与支持向量机(support vector machine,SVM)等相关算法相比,分类精度高出1%~15%。结论本文提出一种结合倒置特征金字塔和U-Net的高光谱图像分类方法,可以应用于有限训练样本下的高光谱图像分类任务,并在多个数据集上取得了较高的分类精度。实验结果表明倒置特征金字塔结构与U-Net结合的算法能够高效地实现高光谱图像的特征提取与表示,从而获得更精细的分类结果。