机组振动状态时序识别系统的判别函数分类性能分析

对基于自回归模型机组振动状态时序识别系统常用的5种判别函数的判别性能,从理论上进行了定性分析,同时定量地比较了它们对试验摩擦振动状态的分类概率。指出了这5种判别函数各自的特点,对它们分类能力进行了评价。其评价结果为选择机组振动状态时序识别系统的判别函数提供了依据。

基于时序模糊模式识别的高校科技成果转化评价

针对高校科技成果转化评价中的不确定性和复杂性因素,提出了时序模糊模式识别评价方法,通过计算待评对象与"优"、"劣"两个模式间的隶属度来建立时序规划模型,对模型求解得到各评价对象的评价值,且利用熵权系数法来计算各层次指标的权重。应用此方法对全国31个省市高校科技成果转化能力进行评价并排序,将天津市与其他省市进行分区,为进一步找出影响天津市科技成果转化的主要指标因素,有针对性地制定政策措施打下良好的基础。

基于新闻事件片段的时序关系识别方法

针对新闻文本,将事件片段定义为最小划分单元,提出了一个两阶段的事件片段时序关系识别算法,第一阶段时序映射和第二阶段时序识别。使用真实网上新闻数据进行实验,结果表明,所提方法相比普通的分类器及强规则算法,准确率提高了4%。

基于时序特征模式识别的列车网侧过流故障实时诊断

为了提升列车的智能化水平与现场检修效率,文中从系统角度出发,针对高速列车牵引传动系统网侧过流的精确故障定位问题,提出一种基于故障时序特征模式识别的实时诊断方法。该方法首先通过机理分析选择故障源集合关联的系统信号,其次,结合案例数据波形与专家经验,挖掘故障源与系统信号的关联规律,提取相关故障特征指标;然后,基于故障特征指标的时序变化特性,利用高斯混合模型与隐层马尔科夫链算法建立列车网侧过流的时序特征辨识的故障诊断模型。最后,应用列车实际运行数据对提出的故障诊断模型进行验证,实验结果表明,所提算法能实现有效的故障检测与隔离功能,具有良好的应用价值。

基于时序动作分析检测的智能化视频识别

针对在计算机视觉领域中视频增加时间维度这一特点,分析在原有TSN、TSM等动作识别和SCNN、BSN等动作检测的基础上,研究如何更有效找到运动时间区间,进行运动特征的提取来确定运动类型,提出了TEI、DBG等方法,实现了基于时序动作分析检测的智能化视频识别。

基于运动特征增强的智能化视频动作识别

在视频动作识别的架构设计中,效率是一个重要的问题。针对智能化视频动作识别中运动特征如何更高效地表达识别这一问题,文章在原有经典智能化视频动作识别技术的基础上,分析PEM、TD Loss等方法的原理及应用,提出了CME、SME等方法进行改进,最终获得了用于动作识别的全面运动特征学习方法。

基于时序关联的网络入侵检测技术研究

针对当前网络入侵检测技术存在的报警信息量太大、误报警多以及缺乏报警语义描述等问题,结合相应事例,采用时序关联方法对网络入侵行为的报警信息进行分析。设计了时序识别语言,实现了对端口扫描的报警精简,对FTP缓冲区溢出的误报警检测,以及对NetBios DCERPC攻击报警的语义改进。实验证明,该方法可有效解决上述问题。

表情变换时序特征下的驾驶人情绪识别研究

针对现有驾驶人情绪识别方法存在的识别实时性不足、识别精度较低等问题,提出一种表情识别及其时序情绪表达的驾驶人情绪识别方法。首先,建立VGG Lite驾驶人表情识别模型,在传统VGG Net模型结构上,通过改变卷积层堆叠结构以大幅减少模型的参数量,修改激活函数以增强模型对人脸表情中细节特征的表达能力,并在模型中增加性能优化层来提升模型的收敛性和泛化性。其次,分析表情时序变化与情绪状态之间的关系,研究时间序列演变的情绪表达方式,设计了包含表情时序转化、表情-情绪量化映射和时序情绪表达的驾驶人时序情绪识别方法。然后,采用Fer2013数据集,将所提出的VGG Lite驾驶人表情识别模型与其他模型进行比较验证,证明了该模型不仅可以保持高识别准确率,还有效降低了模型参数量,从而提高了识别速度,此外,采用自制数据集识别表情获得了98.8%的高准确率,证明了该模型能有效识别不同驾驶情境中的驾驶人表情。最后,以公交车驾驶人情绪识别为例对提出的时序情绪识别方法进行试验验证,结果表明,该方法能够准确识别驾驶人各种表情转换下的复杂情绪状态,平均识别率高于95%,比单帧情绪识别方法提升5%以上,每帧图像的情绪识别耗时平均低于0.03 s,每秒平均识别超过10帧,满足交通驾驶情绪识别的实时性要求。所提方法能够及时、准确地评估驾驶人的情绪状态,为提高交通系统整体安全性和效率提供了更有效的手段。

基于操纵件状态时序变化的车辆换挡动作识别方法

为了解决驾驶训练中乘员操纵动作难以保留和再现,而无法进行深入分析的不足,提出了用操纵件位移数据记录乘员动作,用状态变化矩阵描述动作过程,用驾驶规则中规定的动作时序特征识别乘员特定操作动作等一系列新方法,实现了车辆驾驶动作的数字化记录、智能化识别和自动化评估。

特征金字塔结构的时序行为识别网络

目的时序行为识别是视频理解中最重要的任务之一,该任务需要对一段视频中的行为片段同时进行分类和回归,而视频中往往包含不同时间长度的行为片段,对持续时间较短的行为片段进行检测尤其困难。针对持续时间较短的行为片段检测问题,文中构建了3维特征金字塔层次结构以增强网络检测不同持续时长的行为片段的能力,提出了一种提案网络后接分类器的两阶段新型网络。方法网络以RGB连续帧作为输入,经过特征金字塔结构产生不同分辨率和抽象程度的特征图,这些不同级别的特征图主要在网络的后两个阶段发挥作用:1)在提案阶段结合锚方法,使得不同时间长度的锚段具有与之对应的不同大小的感受野,锚段的初次预测将更加准确;2)在感兴趣区域池化阶段,不同的提案片段映射给对应级别特征图进行预测,平衡了分类和回归对特征图抽象度和分辨率的需求。结果在THUMOS Challenge 2014数据集上对模型进行测试,在与没有使用光流特征的其他典型方法进行比较时,本文模型在不同交并比阈值上超过了对比方法3%以上,按类别比较时,对持续时间较短的行为片段检测准确率则普遍得到提升。消融性实验中,在交并比阈值为0.5时,带特征金字塔结构的网络则超过使用普通特征提取网络的模型1.8%。结论本文提出的基于3维特征金字塔特征提取结构的双阶段时序行为模型能有效提升对持续时间较短的行为片段的检测准确率。