一种基于特征选取的传感器选择方法

基于传感器的行为识别是环境智能中的一个关键问题,但是"该使用哪些种类的传感器?"以及"每种传感器该使用多少个?"都还是有待解决且具有挑选性的问题。针对这些问题,提出一种基于特征选取的方法来选择传感器。实验结果显示,在OPPORTUNITY标准数据集上,1)相比于加速度传感器和陀螺仪传感器,磁性传感器的识别效果较好;2)只使用被选取的5个最好的磁性传感器特征也能达到和使用全部传感器特征类似的识别准确度。

基于启发式集成特征选择的人体活动识别

针对人为提取的冗余特征集和无关特征集导致可穿戴传感器的人体活动识别分类性能降低的问题,提出一种基于启发式集成特征选择的人体活动识别方法。该方法首先选取了包含功率谱密度(Power spectrum density,PSD)的特征集用于识别易混淆的活动,在此基础上借助皮尔逊系数法(Pearson correlation coefficient,PCC)筛选出低相关的特征子集,然后使用改进的正余弦优化算法(Sine cosine algorithm,SCA)进行特征优化,通过两次特征筛选得到最优特征子集。实验结果表明,在实验室采集的数据集中使用该方法后的特征子集维数为34,识别准确率达到了98.21%。在公开的SCUT-NAA数据集中进行对比实验,特征子集维数为39,低于以往基于该数据集研究方法的特征维数,并且识别准确率达到了96.51%。

融合行为特征与校园时空数据的抑郁症检测

针对当前高校学生抑郁症检测研究特征挖掘不充分、识别准确率低的问题,提出一种融合校园时空数据和多任务回归的抑郁症检测方法。介绍感知数据的采集和预处理方法,给出融合校园时空数据的用户行为特征提取方法,提出一种基于多任务回归的抑郁症指标检测模型。使用真实数据集评估方法检测效果,其结果表明,该方法对抑郁症的检测正确率提高4.7%,查全率提高10.1%。

切削加工颤振智能监控技术

切削加工颤振智能监控技术是智能机床中不可或缺的一部分,是智能加工的一个重要发展方向。它对于提高零件的加工精度与效率,增加企业的运营绩效具有重要的意义。以传感器的选择、特征提取、颤振识别和颤振抑制为主线,系统的综述了切削加工过程中颤振智能监控的研究进展。分析颤振信号的选择和时域、频域、时频域以及特征自适应智能提取的特征提取方法;分析神经网络、支持向量机、隐马尔科夫模型、混合模型和在线智能进化模型在颤振识别中的应用;着重分析基于主轴转速调整的颤振智能控制方法。在此基础上,对切削加工颤振智能监控的研究难点进行了分析,并总结了目前存在的问题。最后,对切削加工颤振智能监控技术今后的发展趋势进行了展望。