基于规则的类别学习中言语标签和动作标签的建构

采用Maddox,Glass,O’Brien,Filoteo和Ashby(2010)的标签转换范式,探究在基于规则的类别学习中,对同一类刺激分别建立对应的言语标签(即形成刺激的类别名称)与建立对应的动作标签(即形成刺激的类别反应)的情况下,两种类别标签的表征状况。实验1结果表明,在按随机顺序学习两类标签情境中,个体的建构方式遵从链条加工模型,即依从刺激-言语标签-动作标签的顺序进行建构;实验2结果进一步发现,这种言语标签优先建构的链条加工结构具有较强的稳定性,不会受到两类标签学习方式的影响。

智能动作标签在花样滑冰赛事场记中的应用探索

AI动作识别与体育赛事结合成为一个热点,产生了基于深度学习的体育视频智能动作标签这个未来具备高应用价值的研究领域。本文就花样滑冰项目智能动作标签研究方法及技术关键点,视频训练集、验证集、测试集发挥的作用,结合北京2022年冬奥会花滑赛事进行的测试数据、分析,指出了下一步努力的方向,同时对未来基于动作标签的业务场景进行了展望。

基于多通道sEMG小波包分解特征的人手动作模式识别方法

为了满足主动康复训练和人机交互等复杂应用场景对多样性的人手运动模式识别需求,提出了一种基于多通道表面肌电信号sEMG小波包分解特征的人手动作模式识别方法;通过实验对比分析,确定了最佳采样布局方案,通过采集前臂表面肌电信号,设计了基于数字滤波器的肌电信号活动段自动标识算法,能快速准确地完成样本动作标签的制作;以原始肌电信号的小波包分解系数作为特征向量训练分类器;通过对比不同隐含层节点数对分类器模式识别准确率的影响,最终确定BP神经网络模式分类器的所有结构参数;设计并训练完成了BP神经网络人手运动模式分类器;对9种手部运动的平均识别率达到93.6%,计算时间小于150ms。

基于原子动作的BML动作语义标注方法研究

作战管理语言(Battle Management Language,BML)是一种实现指控与仿真系统间无歧义通信的标准语言规范,其目标是从根本上解决指控与仿真系统之间的互操作问题。针对当前作战管理语言命令缺乏语义信息,不能被仿真模型有效理解和执行的问题,提出了动作映射、原子动作标签的概念,设计了一种基于原子动作的动作语义标注方法。实验表明,该方法有效地实现了仿真模型对命令中动作语义的理解。