Multi-Behavior Fusion Based Potential Field Method for Path Planning of Unmanned Surface Vessel

The problem of the unmanned surface vessel (USV) path planning in static and dynamic obstacle environments is addressed in this paper. Multi-behavior fusion based potential field method is proposed, which contains three behaviors: goal-seeking, boundary-memory following and dynamic-obstacle avoidance. Then, different activation conditions are designed to determine the current behavior. Meanwhile, information on the positions, velocities and the equation of motion for obstacles are detected and calculated by sensor data. Besides, memory information is introduced into the boundary following behavior to enhance cognition capability for the obstacles, and avoid local minima problem caused by the potential field method. Finally, the results of theoretical analysis and simulation show that the collision-free path can be generated for USV within different obstacle environments, and further validated the performance and effectiveness of the presented strategy.

基于T-Fusion的TFP3D人体行为识别算法

针对当前人体行为识别算法中双流卷积神经网络时效性差、3D卷积神经网络参数多、算法的复杂度高等不足,提出了基于3D卷积网络和时空融合网络的时空融合伪3D卷积神经网络模型TFP3D。首先,使用3D卷积拆分减少3D卷积核带来的庞大参数量;其次,增加时空融合模块T-Fusion,保证人体行为信息时空特征的有效传递;最后,使用Kinetics数据集对深层模型进行预训练,在保证准确率的前提下提升网络速率。在常见的人体行为识别数据集UCFl01上进行了大量的实验分析,并将识别的结果和当前流行的算法进行比较,结果证明所设计的TFP3D优于其他方法,平均识别率相比其他方法有较大的提高。

基于声音与视觉特征多级融合的鱼类行为识别模型U-FusionNet-ResNet50+SENet

为解决在光线昏暗、声音与视觉噪声干扰等复杂条件下,单模态鱼类行为识别准确率和召回率低的问题,提出了基于声音和视觉特征多级融合的鱼类行为识别模型U-FusionNet-ResNet50+SENet,该方法采用ResNet50模型提取视觉模态特征,通过MFCC+RestNet50模型提取声音模态特征,并在此基础上设计一种U型融合架构,使不同维度的鱼类视觉和声音特征充分交互,在特征提取的各阶段实现特征融合,最后引入SENet构成关注通道信息特征融合网络,并通过对比试验,采用多模态鱼类行为的合成加噪试验数据验证算法的有效性。结果表明:U-FusionNet-ResNet50+SENet对鱼类行为识别准确率达到93.71%,F1值达到93.43%,召回率达到92.56%,与效果较好的已有模型Intermediate-feature-level deep model相比,召回率、F1值和准确率分别提升了2.35%、3.45%和3.48%。研究表明,所提出的U-FusionNet-ResNet50+SENet识别方法,可有效解决单模态鱼类行为识别准确率低的问题,提升了鱼类行为识别的整体效果,可以有效识别复杂条件下鱼类的游泳、摄食等行为,为真实生产条件下的鱼类行为识别研究提供了新思路和新方法。

大数据环境下多模态融合的大学生异常行为预警

针对“校园大数据”累积的海量数据呈现出离散性、稀疏性等问题,如何从基数大、活动广、个性强的校园学生群体中检测出潜在的、有异常行为的学生,已成为学生异常行为分析亟需解决的问题.本文提出了一种大数据环境下基于多模态融合的大学生异常行为预警方法(early warning method for abnormal behavior of college students based on multi-modal fusion in big data environment,EWMAB).首先,针对学生行为画像的表征不够丰富,行为标签存在时效性、动态性等问题,建立一种基于多模态特征深度学习的跨模态学生行为画像模型;其次,针对学生异常行为预测、预警的时效性和后置性问题,在学生行为画像和学生行为分类预测基础上,提出了一种基于多模态融合的学生异常行为预警方法,通过长短期记忆神经网络(long and short term memory networks,LSTM),结合学生行为多指标数据和文本信息来解决学生异常行为预警问题;最后,本文通过应用实例验证模型以学生学习成绩异常预警为例,与其他预警算法相比,EWMAB方法可以提高预警的准确性,实现学生异常行为预警的时效性和前置性,从而使学生教育工作更具有针对性、个性化和预测性.

基于多流语义图卷积网络的人体行为识别

与基于图像的行为识别方法相比,利用人体骨架信息进行识别能有效克服复杂背景、光照变化以及外貌变化等因素影响。但是,目前主流的基于人体骨架的行为识别方法存在参数量过大、运算速度慢等问题。对此,提出一种多流轻量级语义图卷积的行为识别方法。设计多流语义引导的图卷积网络(MS-SGN),将骨架信息分别表达为骨长流、关节流和细粒度流3种数据流形式,再对嵌入语义信息的数据流通过自适应图卷积提取空间特征,并采用不同内核和膨胀率的多尺度时域卷积提取时域特征,最后对各流分类结果进行加权融合。实验结果表明,该方法在NTU60 RGB+D数据集上的识别精度分别为90.0%(X-Sub)和95.83%(X-View),在NTU120 RGB+D数据集上的识别精度分别为83.4%(X-Sub)和84.0%(X-View),优于SGN、Logsin-RNN等主流方法,且网络框架更为轻量化。

生物基树脂改性沥青流变特性评价及体系融合行为

受石油资源储量和供应的限制,将生物质材料引入石油沥青已经成为一个热门话题。本研究以麦草秸秆液化产物为原材料合成三种生物基树脂(BPF、BPU和BPF-PU),并将其用于生物沥青的制备,旨在探究生物基树脂对沥青流变特性的影响及二者之间的交互作用。首先,通过频率扫描和多重应力蠕变恢复试验分析了树脂对沥青胶结料黏弹特性和高温抗车辙性能的影响;其次,借助流变学理论对树脂-沥青体系的相态结构进行了分析;最后,从荧光显微结构和官能团分布特征的角度探究了二者之间的融合行为。结果表明,BPF和BPF-PU能够增加沥青中的弹性成分,提升其高温抗车辙性能,而BPU则会强化沥青的黏性响应;三种树脂能够较为均匀地分散到基质沥青中,并与其形成稳定的相态结构,这可能是因为树脂与基质沥青之间形成了醚键(C-O-C)。本研究有助于为农作物秸秆的增值转化和生物沥青的开发提供新的思路,但在生物沥青性能的全面评价方面需要进一步研究。

基于多源特征融合的实验室不安全行为检测系统设计

为降低实验室事故发生率,设计一种基于多源特征融合的实验室不安全行为检测系统。首先,构建系统基础框架,在图像采集单元中利用高清摄像机获取实验室监控视频图像,经过图像处理单元的灰度化、去噪、平滑滤波处理后,在目标识别单元中采用帧间差分法获得视频目标区域图像;然后,在特征提取单元中处理视频目标区域图像,提取HOG特征以及人体行为重心特征,通过对二者进行融合处理得到一维特征向量,将其输入到行为检测单元中,利用SVM分类器检测不安全行为。实验结果表明:所设计系统可有效检测实验室不安全行为,F1指数均值、召回率均值分别为98.94%、99.15%,错误检测数量较少。

骨架引导的多模态视频异常行为检测方法

视频异常行为检测是智能视频监控分析的一项重要且具有挑战性的任务,旨在自动发现异常事件。针对只采用单骨架模态导致部分相似运动模式的行为难以区分和缺乏时间全局信息的问题,提出骨架引导的多模态异常行为检测方法。为了充分利用RGB视频模态和骨架模态的优势进行相似行为下的异常行为检测,将从骨架模态中提取的动作行为特征作为引导,使用新的空间嵌入来加强RGB视频和骨架姿态之间的对应关系。同时使用时间自注意力提取相同节点的帧间关系,以捕获时间的全局信息,有效提取具有区分性的异常行为特征。在两个大型公开标准数据集上的实验结果表明所提方法能够有效加强骨架引导的多模态特征在空间和模态上的对应关系,并捕获时空图卷积缺乏的时间全局信息,使运动模式相似的异常行为实现更准确检测。

基于Petri网Behavior Inclusion的业务流程变化域融合分析

业务流程的变化域是潜在的、易导致系统出现非一致性的区域,从流程模型变化域的角度来分析业务系统可信性,也是解决业务系统可信管理的关键点之一.已有的研究大多数针对业务流程的控制流进行变化域分析,或将控制流与数据流进行交互分析,很少注意到两种流程交互时的行为包含关系及其影响.文中基于业务流程模型存在控制流和数据流,提出了基于Petri网Behavior inclusion的业务流程变化域融合分析方法,分别研究了业务流程控制流Petri网模型的变化域和数据流Petri网模型的变化域,并依据Behavior inclusion关系,确定了目标模型融合网的最终变化域.另外,对于存在沉默变迁的网提供了紧密度算法,分析业务流程控制流网、数据流网和融合网间的紧密度,以确定控制流模型或数据流模型对融合网变化域的影响程度.最后通过具体的实例分析与仿真实验,验证了该方法的有效性.

基于BERT的多视角事件日志修复

在业务流程执行过程中,由于信息系统故障或者人工记录出错等问题导致事件日志中数据的丢失,从而产生缺失的事件日志,使用这种缺失日志会严重影响业务流程分析结果的质量。针对这种缺失日志的修复问题,现有研究大部分仅从数据视角或者行为视角进行展开,很少从数据和行为相融合的视角开展事件日志的修复工作。提出了一种基于BERT模型的多视角事件日志修复方法。该方法利用双层BERT模型,从数据和行为融合的视角训练模型,通过BERT模型的预训练任务((masked attribute model,MAM)和(masked event model,MEM))以及Transformer编码块的注意力机制捕获输入属性的双向语义信息和长期依赖关系,使用微调策略进行模型训练,以预测的形式修复事件日志中的缺失值。最后,通过公开可用的数据集进行评估分析,结果表明,该方法在修复事件日志方面表现良好。

“00后”大学生网络行为追踪视域下的融媒体信息推送研究

作为网络用户中最为年轻活跃的群体,“00后”大学生的网络行为及其呈现出的特征规律值得我们深入研究。本文结合“00后”大学生网络用户的信息浏览习惯偏好的内在联系,构建融媒体信息智能混合推送模型。在不同的时间段,从海量的网络资讯中有效筛选出大学生最为关注的信息集合,通过分析指标之间的相互作用,考虑准则层次,提取出信息的内在关联程度,来提取出大学生在不同时间段最为关注的网络信息资讯种类,从而设计出大学生个性化偏好的融媒体网络信息推送模型。通过实证数据仿真,验证所提出方法的有效性和适用性。研究结果表明所提出的“00后”大学生网络行为追踪视域下的融媒体信息推送模型能够很好地针对大数据进行详细的区分计算和分类筛选,可以作为网络监管部门获取、判断和筛选信息的依据。

基于多传感器融合的牛项圈设计

为监测牛只行为状态和体征信息,设计一种多传感器融合的牛项圈。选择基于蓝牙5.0的控制芯片,外接3种传感器设备,实现牛只行为姿态(加速度和角速度值)、体表温度、室内位置4项基本序列数据以及叫声(正常情况、发情情况)和吞咽声3项音频数据的采集。采用SVM、KNN、RFC对牛只行走、站立、进食和躺卧行为进行分类,其中RFC的准确率最高,达到99.59%,KNN和SVM次之,准确率分别为99.01%、85.23%。使用基于GRU的深度学习算法对牛只叫声与吞咽声进行分类,整体准确率达到90.72%。对采集的体表温度与直肠温度进行拟合校正,拟合度R^(2)均高于0.9。结果表明,基于多传感器融合的牛项圈不仅可以有效采集传统序列数据,还可以同步采集音频数据,为牛只行为学分析提供多维度的数据支持。

基于毫米波雷达稀疏点云的人体行为识别方法

目前利用毫米波雷达进行人体行为识别的方法在复杂场景下无法很好地区分相似动作,与此同时模型的鲁棒性和抗干扰能力也相对较差;针对以上两个问题,提出了一种通用的基于毫米波雷达稀疏点云的人体行为识别方法,该方法首先利用K-means++聚类算法对点云进行采样,然后使用基于注意力特征融合的点云活动分类网络进行人体行为特征的提取和识别,该网络可以兼顾点云的空间特征以及时序特征,对稀疏点云的运动有灵敏的感知能力;为了验证所提出方法的有效性和鲁棒性,分别在MMActivity数据集和MMGesture数据集上进行了实验,并在两个数据集上取得97.50%和94.10%的准确率,均优于其它方法;此外,进一步验证了K-means++点云采样方法的有效性,相较于随机采样,准确率提升了0.4个百分点,实验结果表明所提出方法能够有效地提升人体行为识别的准确率,且模型具有较好的泛化能力。

IDFE:面向物联网设备识别的指纹深度提取方法

传统物联网设备指纹提取方法通常将流量中的隐私数据用于生成设备指纹并且采用手工设计特征的方式,在形成安全隐患的同时限制了模型的性能。针对上述问题,提出一种基于设备行为的物联网设备指纹深度提取方法(IoT device deep fingerprint extraction,IDFE)。IDFE将网络流量pcap文件划分为多个会话(sessions),并提取非隐私信息构建会话信息矩阵,设计了会话信息矩阵不同信息序列之间的依赖关系和会话数据包之间的时序依赖关系建模方法和融合方法,利用设计的全卷积Transformer提取融合后的会话特征矩阵中设备行为特征并生成设备指纹。在UNSW和YourThings两个公开数据集上进行了广泛的实验,验证了该方法的有效性。

基于性能演变的富油胶粉再生剂-老化沥青融合行为分析

富油胶粉(ORR)再生剂是由餐饮废油(CWO)与胶粉(RP)在一定的工艺下共混制备的环保型生物再生剂,其综合利用了CWO和RP的优势,有助于实现老化沥青再生过程中的高低温性能均衡.然而,油胶两相的特征导致ORR再生剂与老化沥青的融合行为较为复杂,不利于洞察ORR再生剂的应用潜力.本研究设计了再生剂-老化沥青融合试验,依据不同取样深度老化沥青样品的性能演变分析了温度和时间影响下ORR再生剂-老化沥青的融合效率及特征,并通过红外光谱检测技术进行了验证.同时,对比了ORR再生剂和CWO与老化沥青融合行为的差异,以期更加明晰地展现ORR再生剂-老化沥青的融合特征.结果表明,升高温度及延长时间有利于ORR再生剂-老化沥青的融合.与130℃融合温度相比,在150℃融合温度下延长融合时间更有利于ORR再生剂与老化沥青的融合.此外,130℃的融合温度下,ORR再生剂中降解RP成分进入老化沥青滞后于CWO成分.但在150℃的融合温度下,降解RP成分进入老化沥青滞后于CWO成分的现象并不明显.整体来说,ORR再生剂与老化沥青的融合效率不及CWO,但两者的差异并不显著.建议在150℃以上拌合ORR再生剂与沥青混合料回收料(RAP),以确保ORR再生剂尽可能充分发挥再生作用.研究成果可以促进ORR再生剂的工程应用,研究方法也可以为类似研究提供参考.

一种用于“远程课堂”的学生听课专注度自动评估方法

在基于互联网的“远程课堂”中,如何利用学生课堂状态视频数据建立教师与学生授课−听课之间的评价关联关系,是一项富有挑战性的科学问题.本文针对“远程课堂”中的学生行为检测识别问题,提出针对课堂学生“面部姿态角度”检测模块与“身体动作行为”识别模块,对学生的课堂行为进行识别分类;针对“学生听课专注度”的定量分析问题,提出一种基于学生面部姿态角度和行为分类结果的量化评估算法;运用证据理论对“面部姿态”与“动作行为”并行进行数据融合计算,建立用于“远程课堂”的在线“学生听课专注度”自动评估系统模型.本文所提模型能够对课堂学生的听课行为进行在线检测与分析,完成“学生听课专注度”的定量评分并输出评估结果.实验中,系统对“学生听课专注度”的评估准确度达到90.4%,验证了系统的有效性.

基于双注意力机制的FMCW雷达人体行为识别

为了提高调频连续波(frequency modulated continuous wave,FMCW)雷达人体行为识别的分类精度和泛化性能,提出了一种基于双注意力机制的特征融合方法。通过设置阈值,对距离-时间谱图和微多普勒谱图中的有效频谱进行提取、拼接后送入AlexNet和VGG16神经网络来提取特征;加入空间注意力和改进的通道注意力模块,丢弃冗余信息,以增强对重要信息的关注,获取更感兴趣的特征进行特征融合分类。实验结果表明,该方法对6种日常人体行为的平均识别准确率高达97.0%。

基于煤矿井下不安全行为知识图谱构建方法

虽然知识图谱已广泛应用于各个领域,但在煤矿安全方面,尤其在煤矿井下不安全行为方面的研究较少。构建了一种自底向上的煤矿井下不安全行为知识图谱。首先,采用传统机器学习和深度学习算法相结合的方法进行命名实体识别,采用RoBERTa进行词语向量化,采用双向长短时记忆网络(BiLSTM)对向量进行标注,提高网络模型对上下文特征的捕捉能力,通过多层感知机(MLP)解决煤矿井下不安全行为数据集数据量不足的问题,采用条件随机场(CRF)模型解决前面存在的单词关系不识别问题,并捕获全文信息和预测结果。其次,根据语句的结构特点,设计了基于知识“实体-关系-实体”三元组的依存句法树结构,对井下不安全行为领域的知识资源进行知识抽取与表示。最后,构建面向井下不安全行为的知识图谱。实验结果表明:(1) RoBERTaBiLSTM-MLP-CRF模型对于导致结果、违反性行为、错误性行为及粗心性行为4类实体类别具有较好的识别效果,其准确率分别为86.7%,80.3%,80.7%,77.4%。(2)在相同的数据集下,RoBERTa-BiLSTM-MLP-CRF模型训练的准确率、召回率、F1值较RoBERTa-BiLSTM-CRF模型分别提高了1.6%,1.5%,1.6%。

基于OR-CNN的电动车进入电梯危险行为检测系统设计

在楼宇中电动车不论是在电梯中还是在楼层中自燃爆炸都会给人们造成严重的危害,是一个重大的危险源。目前虽然在电梯口贴上了“电动车禁止进入”的提示标志,但效果不佳。因此,设计了基于OR-CNN的电动车进入电梯危险行为检测系统,以满足管理部门对禁止电动车进入电梯的需求。基于OR-CNN网络的电动车检测模型将RoI池化层替换为PORoI,PORoI池化单元通过先验知识将目标划分为5个部分,融合各个部分的特征信息,更好地完成在遮挡环境下的目标检测任务。此外,系统在发现违规行为时会使电梯门处于禁关状态,并发出警报提醒,对违规行为的视频段进行抽帧处理并记录存档,以便事后追责,实现智能化管理。测试结果表明,与YOLOv5相比,所设计的检测系统在遮挡情况下的电动车检测准确率明显提高,更适应电梯等狭小环境中目标遮挡的情况。

基于行为特征的雷达辐射源威胁评估

针对当前雷达辐射源威胁评估对精确侦察数据依赖性较大的问题,提出一种基于行为特征的雷达辐射源威胁评估算法。从辐射源目标行为特征和数据融合理论出发,建立基于行为特征的辐射源威胁评估体系,并采用模糊理论和Vague数据集对各子行为进行表示;考虑到指标间的耦合性和空战的高动态性,利用改进的区间灰色关联度修正初始权重,建立以距离为自变量的态势状态函数,为各子行为动态赋权;采用改进的雷达图法计算威胁目标的威胁程度。仿真结果表明:所提算法具有较好的准确性和适应性。