利用惯性传感器和AdaBoost算法的步态识别方法

针对现有方法在步态识别方面存在的动作信号分割、传感器方向不一致和相似动作识别精度不高等缺点,提出一种基于惯性传感器和AdaBoost算法的步态动作识别方法。基于尺度空间技术提出了一种鲁棒的步态检测方法将信号分为动作样本,以此来应对动作速度或强度的剧烈变化;应用定位补偿匹配算法纠正传感器的倾斜,从而解决了传感器方向不一致的问题;为了提高识别精度,基于AdaBoost算法自适应选取动作特征,再进行判别分析完成识别。对五个相似步态动作类进行识别实验,结果表明提出的算法具有较高的准确性。

一种基于计数的战场态势信息匹配算法

高效率的匹配算法是实现大规模、高速率的战场态势信息筛选所要解决的关键问题。针对战场态势信息筛选特点,分析比较了现有匹配算法,提出了一种基于计数的态势信息匹配算法。该算法将初始筛选条件转换解析成标准筛选条件;根据原子筛选条件与态势信息类型的对应关系,针对不同数据源,构建对应的多级索引结构,消除多个态势信息间相同属性的冗余匹配,有效提高了算法效率,符合战场态势信息筛选的要求。

布尔表达式匹配问题研究

提出了布尔表达式匹配问题,并给出了它的形式化定义;提出了一个解决布尔表达式匹配问题的通用算法框架,并在此框架上给出了一种算法及其改进;通过理论分析和实验数据给出了影响布尔表达式匹配算法性能的因素和它们之间的关系。

基于深度学习与目标跟踪的苹果检测与视频计数方法

基于机器视觉技术自动检测苹果树上的果实并进行计数是实现果园产量测量和智慧果园生产管理的关键。该研究基于现代种植模式下的富士苹果视频,提出基于轻量级目标检测网络YOLOv4-tiny和卡尔曼滤波跟踪算法的苹果检测与视频计数方法。使用YOLOv4-tiny检测视频中的苹果,对检测到的果实采用卡尔曼滤波算法进行预测跟踪,基于欧氏距离和重叠度匹配改进匈牙利算法对跟踪目标进行最优匹配。分别对算法的检测性能、跟踪性能和计数效果进行试验,结果表明:YOLOv4-tiny模型的平均检测精度达到94.47%,在果园视频中的检测准确度达到96.15%;基于改进的计数算法分别达到69.14%和75.60%的多目标跟踪准确度和精度,较改进前算法分别提高了26.86和20.78个百分点;改进后算法的平均计数精度达到81.94%。该研究方法可有效帮助果农掌握园中苹果数量,为现代化苹果园的测产研究提供技术参考,为果园的智慧管理提供科学决策依据。

基于信任度匹配的改进PBFT共识算法

共识算法是去中心化的区块链系统实现数据状态一致的关键。针对传统的实用拜占庭容错(Practical Byzantine Fault Tolerance,PBFT)共识算法在可扩展性和安全性方面存在的不足,提出一种基于信任度的匹配拜占庭共识算法(Trust-based Matching Byzantine Fault Tolerance,TMBFT)。首先,通过基于信任度的邻居匹配模型来选取部分节点进行投票共识,以降低区块链网络的通信量;其次,引入信任度评价机制来监督邻居节点的行为,确保有效检测出拜占庭节点,保证节点投票的安全性;最后,设计投票计数机制保证了共识结果的一致性,并提高了共识效率。与PBFT相比,TMBFT将通信复杂度从O(N^2)降到O(Nlog2N),有效降低了网络中的通信开销。安全性分析表明,信任度评价机制可降低节点作恶的概率,并有效提高系统安全性。实验结果表明,TMBFT较传统拜占庭算法具有更好的性能优势。

基于模式匹配的目标点数算法

开发了基于模式匹配的目标点数算法.算法通过对图像中的目标进行模式匹配处理,自动识别目标,实现目标的点数功能.该算法避免了傅立叶变换滤波等计算量较大算法的使用,适用于利用图像处理进行目标实时点数的领域.

基于大样本数据模型的汽车贷款违约预测研究

本文运用国内某知名汽车金融公司2014年12月的47138条客户数据,首先运用ROC曲线检验逐步回归功效,再分别建立二值选择模型和计数模型对贷款客户违约状况进行预测,并运用遗传算法对不平衡样本进行一对一匹配,最终得到预测结果。结果表明现存违约评估体系不够有效,客户基本信息、区位、贷款信息、车型、信用状况、房产、贷款期间冲击事件等均会对违约状况产生相应影响。另外,我们得出匹配后的平衡样本预测准确率仍然很高,Logistic模型最适用于客户是否违约的预测,而负二项模型在违约时长的预测中效果更佳的结论。