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.

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。

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。

基于三元深度融合的行为驱动成绩预警模型

随着信息技术的迅猛发展和教育教学工作的信息化改革,学生的相关信息以多样的形式被记录,如何在复杂的教育数据中对学生行为做出全面分析并进行成绩预测预警具有重要意义。针对现有研究在预测学生成绩时存在的对日常行为数据关注较少、对行为数据的利用不充分、使用的数据特征单一、数据粒度粗等问题,提出一种基于三元深度融合的成绩预警模型。它从群体行为和个体行为的角度出发,使用规律性特征提取模块提取群体消费行为、活动行为中的规律性特征,使用活跃性特征提取模块提取个体消费行为中的活跃性特征,使用勤奋性特征提取模块提取个体进出图书馆行为中的勤奋性特征,然后融合三类特征对学生分类进而进行成绩预警。公开数据集上的实验表明,提出的模型方法具有一定的成绩预测预警能力。

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。

基于动态时空信息融合的视频行为识别

由于视频数据在时空维度上具有复杂和冗余的信息。针对这个问题,提出运动模块,该模块基于时空特征去计算像素特征之间的时空差异。将动态的时空差异分解为两个分支进行处理,一个分支用于修正相邻帧间特征差上的时空位移,另一个分支用于捕获此时间差上的上下文信息。在当前时间差中,对时空差异的像素点的概率分布进行建模。结果表明,在尽量不影响计算量(flops)与参数量的情况下,运动模块提高了视频识别任务方面的性能,并在公共数据集上证实了其有效性和效率。

改进AVSlowFast音视频融合模型对哺乳期母猪关键行为的识别

哺乳期母猪的自动行为监测对于保障母猪健康并及时发现异常状态具有重要意义。为了在识别母猪行为中整合视觉和听觉信号蕴含的信息,该研究提出了一种基于音视频特征多模态融合的哺乳期母猪关键行为识别方法。首先,引入三分支结构的AVSlowFast模型作为基础网络,通过视频慢通道、视频快通道、音频通道有效挖掘在视觉和听觉2种模态下的相关行为特征,并基于多层次侧向连接深入融合视听觉模态信息。在此基础上,该研究在特征融合后期引入高斯上下文变换器通道注意力模块,在不新增模型参数的条件下进一步优化高维多模态三维特征的融合效果,提高行为识别的准确率。该研究以哺乳期母猪为对象,采集实际养殖环境中的音频与视频数据进行试验,试验结果表明基于改进AVSlowFast音视频融合模型识别进食、哺乳、睡眠、拱栏、饮水、日常活动6种关键行为的平均精确率与召回率分别为94.3%和94.6%。与基于SlowFast的单模态行为识别方法相比,该研究提出的方法对6种行为识别的平均F1分数上显著提升了12.7个百分点,为实现畜禽多模态行为监测提供了一种有效思路。

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%。

基于改进YOLOv8s的学生课堂行为识别研究

为了有效识别真实课堂中的学生行为,提出一种基于改进YOLOv8s模型的课堂行为识别方法。在YOLOv8s主干网络中融入轻量级坐标注意力机制Coordinate Attention,提高模型特征学习能力;在特征融合模块借鉴加权双向特征金字塔网络BIFPN与重参数化模块Diverse-Branch Block,对YOLOv8s中的特征金字塔网络PANet进行改进,提高模型的特征整合能力。实验结果显示,改进后的模型YOLOv8s-CB比原始模型的平均精度均值提升了1.7个百分点,达到92.4%,表明该算法在实时检测课堂学生行为识别任务中具有更大优势。

基于多可穿戴传感器的用户人体复杂行为主动识别

文章旨在解决人体复杂行为的主动识别问题,通过对多可穿戴式传感器数据的融合,提高识别准确性并降低识别耗时。为此,设计了一种基于多可穿戴式传感器数据融合的方法。首先,根据用户生理、生化、行为指标设计采集流程;其次,采集用户指标传感数据,将其融合,结果作为卷积神经网络(Convolutional Neural Network,CNN)的输入,构建用户虚拟现实场景;在此场景中,利用自相关系数和循环神经网络提取可识别特征点,并通过全连接层和Softmax函数实现用户行为的分类和识别。实验结果表明,该文方法相较于传统方法,识别耗时更低且准确率更高,F1-score达到了0.986。

基于IMB理论与护理解剖知识的健康教育在MIS-TLIF围术期中的应用

目的:探讨微创经椎间孔入路腰椎椎间融合术(MIS-TLIF)围术期采用基于信息-动机-行为技巧模型(IMB)理论与护理解剖知识健康教育的应用效果。方法:选取2020年1月—2022年1月医院收治90例接受MIS-TLIF治疗的腰椎退行性病变病人为研究对象,按照随机对照原则分为对照组(45例,常规护理)与观察组(45例,常规护理+基于IMB理论与护理解剖知识的健康教育),两组均连续干预至病人出院。观察两组治疗依从性、术后恢复指标、术后并发症,对比两组干预前、出院时知信行评分、腰椎功能[日本骨科协会评估治疗(JOA)评分]、疼痛程度[视觉模拟评分法(VAS)评分]、日常生活活动能力(ADL)评分。结果:观察组治疗依从性高于对照组(P<0.05);相比对照组,观察组首次排气时间、下床活动时间及住院时间均较短(P<0.05);观察组出院时VAS评分比对照组低,JOA、ADL、知识、信念、行为评分比对照组高(P<0.05);观察组并发症发生率低于对照组(P<0.05)。结论:基于IMB理论与护理解剖知识的健康教育可加快MIS-TLIF手术病人术后康复进程,改善腰椎功能,降低疼痛程度,提高知信行评分与日常生活活动能力,减少并发症,提升治疗依从性。