基于多尺度卷积和自注意力特征融合的多模态情感识别方法

基于生理信号的情感识别受噪声等因素影响,存在准确率低和跨个体泛化能力弱的问题。对此,提出一种基于脑电(EEG)、心电(ECG)和眼动信号的多模态情感识别方法。首先,对生理信号进行多尺度卷积,获取更高维度的信号特征并减少参数量;其次,在多模态信号特征的融合中使用自注意力机制,以提升关键特征的权重并减少模态之间的特征干扰;最后,使用双向长短期记忆(Bi-LSTM)网络提取融合特征的时序信息并进行分类。实验结果表明,所提方法在效价、唤醒度和效价/唤醒度四分类任务上分别取得90.29%、91.38%和83.53%的识别准确率,相较于脑电单模态和脑电/心电双模态方法,准确率上提升了3.46~7.11和0.92~3.15个百分点。所提方法能够准确识别情感,在个体间的识别稳定性更好。

近数据计算下键值存储中Compaction并行优化方法

大规模非结构化数据的爆炸式增长给传统关系型数据库带来了极大的挑战.基于日志结构合并树(log-structured merge tree,LSM-tree)的键值存储系统已被广泛应用,并起到重要的作用,原因在于基于LSM-tree的键值存储能够将随机写转化为顺序写,从而提升性能.然而,LSM-tree键值存储也存在一些性能问题.一方面,键值存储利用compaction操作更新数据,保持系统平衡,但造成严重的写放大问题.另一方面,以传统计算为中心的架构下,compaction操作带来大量的数据传输,影响了系统性能.以数据为中心的近数据计算模型(near-data processing,NDP)为基础,利用该模型下主机端与近数据计算使能设备端的并行资源,提出基于系统并行与流水线并行的compaction优化方法(collaborative parallel compaction optimization for LSM-tree key-value stores,CoPro).当处理compaction操作时,CoPro主机端与NDP设备端协同执行compaction卸载任务.此外,进一步提出基于决策组件的CoPro+,根据系统资源变化以及负载键值对中值大小的变化来动态调整并行度,使NDP架构中计算资源的使用更加高效.在搭建的硬件平台上验证了CoPro的有效性.

面向洪水灾害评估的城市建模与仿真

洪水灾害是一种突发性自然灾害,它给人民生命、财产带来了巨大的损失。为了辅助洪水灾害评估,减少洪水灾害带来的损失,提出了一种基于LiDAR(Light Detection And Ranging)数据的城市建模与仿真方法。该方法首先基于LiDAR数据和航拍图像对城市房屋和道路进行重建,然后基于重建数据,对洪水灾害及发生洪水灾害时的人员疏散情况进行仿真,并以可视化形式对仿真场景进行显示。最后以美国路易斯安那州新奥尔良市的LiDAR点云数据和航拍图像为实验数据,验证了这种城市建模与仿真方法在辅助洪水灾害评估时的有效性。

适合稀少空间特征的同位模式挖掘算法

空间同位模式挖掘是空间数据挖掘的一个重要方向.现有的同位模式挖掘着重研究每个空间特征的平等参与,而这在具有稀少特征的空间数据中会遗漏一些很有价值的模式.首先提出了一种新的称为maxPR的度量方法,每个确定的同位规则都与具有高的maxPR值的同位模式相关.其次,阐述了maxPR的弱单调性,并利用maxPR的弱单调性提出了一种适合稀少空间特征的同位模式挖掘的有效算法.

基于数据融合的居民区建筑物重建方法研究

针对美国新奥尔良地区稀疏的LiDAR(Light Detecting and Ranging)点云数据,提出了一种基于LiDAR数据和卫星图像进行融合的居民区建筑物重建方法.该方法利用LiDAR数据点集的边界来定位卫星图像上的感兴趣区域,利用从感兴趣区域中提取的关键提示线来实现屋顶的分割,从而得到属于每个建筑物的屋顶点.然后,基于三角面片的法向量方向信息对其进行聚类,根据法向量之间的关系进行屋顶类型识别,从而实现居民区建筑物的重建.实验表明,该方法在进行居民区建筑物重建时,能达到较高的重建率,且重建所需时间合理,能够满足虚拟现实系统的需要.

从稀疏LiDAR数据中重建居民区建筑物

针对美国新奥尔良地区稀疏的LiDAR(light detecting and ranging)点云数据,提出一种基于此数据的居民区建筑物重建方法。该方法利用最小包围轮廓来描述居民区建筑物形状,在TIN模型的基础上进行屋顶分割,得到属于每个建筑物的屋顶点;然后,基于三角面片的法向量方向信息对其进行聚类,根据法向量之间的关系进行屋顶类型识别和模型匹配,重建居民区建筑物。实验结果表明,该方法在进行居民区建筑物重建时,能达到95%的重建率,且重建所需时间合理,能够满足虚拟现实系统的需要。