基于HoloLens的江豚科普系统设计与研究

长江江豚科普教育是长江江豚保护的重要内容,本研究聚焦长江江豚的科普教育,采用HoloLens混合现实技术,设计并构建了一套长江江豚科普系统。系统由三大核心模块构成:江豚知识科普、江豚结构科普、江豚主题游戏。系统综合运用了三维建模、Unity 3D交互技术和混合现实技术,打造了一个既具有高度互动性又充满沉浸感的江豚科普教育平台。以HoloLens 2作为主要展示工具,本系统成功实现了一种混合现实的交互体验。对20名大学生的使用情况的分析结果表明:基于混合现实技术的科普方法能显著提升学习效果,且具有较高的用户体验评价。

惯性动捕数据驱动下的智能下肢假肢运动意图识别方法

为了解决传统意图识别方法使用多模态传感器信号所带来的复杂性以及识别转换模式一般具有滞后性等问题,本文提出了基于惯性传感器的智能下肢假肢的运动意图实时识别方法.从模式识别的角度看,在对象空间到模式空间的转换中,对运动模式尤其是运动转换模式进行了重定义;在模式采集中,采用在患侧的运动模式进行转换之前,采集绑定在健侧的传感器于摆动相前期所产生的时序运动数据,选择均值、方差等特征统计量和支持向量机分类器对其进行特征选择提取与特征分类的策略,实现对残疾人运动意图准确、实时地识别.实验结果表明,本文所提出的方法可以识别出单肢截肢患者在不同地形下的运动意图,包括平地行走、上楼、下楼、上坡、下坡5种稳态模式,识别率可达到97.52%,并且加入在5种模式之间相互转换的转换模式之后,识别率可达到95.12%.本文方法可以极大提高智能下肢假肢的控制性能,实现智能假肢能根据人的运动意图在多种运动模式之间进行自然、无缝的状态切换.

基于GMM-HMM模型的智能下肢假肢运动意图识别

传统下肢假肢运动意图识别方法常使用多模态传感器信号,带来一定的复杂性以及模式转换识别一般带有滞后性,提出了基于数据驱动下的智能下肢假肢运动意图识别方法。在对单侧下肢截肢者运动模式进行了重定义后,仅使用惯性传感器,采集健肢侧处于摆动相的时序数据。选择高斯混合-隐马尔可夫模型作为分类器,对下肢假肢的运动意图进行识别。实验结果表明,该算法在模式空间中的一组基模式:平地行走、上坡、下坡、上楼和下楼5种稳态模式中,识别率达到98.99%,在包含5种稳态模式和8类转换模式的13类运动模式中的识别率可达到96.92%。所提出的方法可以在下肢假肢运动意图识别性能上有较大提升,帮助单侧下肢截肢者实现自然、流畅、稳定的行走。

μC/OS-Ⅱ在智能电梯控制系统中的应用

采用PIC18单片机作为智能电梯控制系统的微控制器、多任务可剪切的嵌入式μC/OS–Ⅱ作为操作系统,使得智能电梯可以使用高级语言编制控制系统的控制程序,在应用更新和功能扩展时,可以不用重新设计代码,从而比较方便地在原有系统上增加新的功能和需求。另外利用软件代替了部分硬件的功能,大幅度降低了产品的成本。

单视角下基于投影子空间视图的动作识别方法

针对单视角下深度相机跟踪关节点运动存在的自遮挡问题,提出一种基于投影子空间视图的人体动作识别方法。在不增加数据采集设备的情况下,通过子空间投影,将单视角下获得的三维动作序列投影到多个二维子空间中,在二维投影空间寻求最大类间距离,以尽可能增加基于多个子空间视图融合后的3D动作类间距离。在自建AQNU数据集的识别率为99.69%,较基准方法提升1.22%。在公共NTU-RGB+D数据集子集的识别率为80.23%,较基准方法提升1.98%。实验结果表明:本文方法可在一定程度上减少单视角数据集的自遮挡问题,提高识别率和计算效率,可达到与多视角数据集相当的识别效果。

基于轮询机制的公平高效机会干扰对齐算法

针对干扰对齐的实际应用提出的机会干扰对齐算法(OIA)存在通信资源分配不公平、所需用户基数大等问题。为此,提出一种基于轮询机制的公平高效机会干扰对齐算法。首先确定协作处理簇,并基于轮询机制在主小区中选择信道质量最优的通信用户,然后通过设计次基站的有用信号空间完全消除主小区用户对次基站的干扰,进一步在次小区中以干扰泄露最小化为原则选择通信用户,最后从理论上分析证明了公平性和最小传输块数等性能。仿真结果表明,与原始机会干扰对齐算法相比,所提算法在提升公平性的同时,有效降低干扰泄露和提升系统容量,并且可减少传输块数和实现用户通信接入快速响应。

增强型残差量化的图像视觉特征不完全检索方法

针对图像视觉特征的快速检索问题,提出了一种增强型残差量化的不完全检索方法。建立在增强型残差量化的基础上,提出利用多层低复杂度的码书构建包含较大规模倒排列表的多维倒排索引结构,使得只需根据图像视觉特征的量化编码就可以将其快速地插入到倒排索引结构中。此外,结合倒排索引结构,设计了一种不完全检索方法和图像视觉特征之间近似距离的计算方法。通过在公开数据集进行实验和性能对比,所提出不完全检索方法较典型的三种不完全检索方法具有更好的检索精度和检索效率。

三小区多用户蜂窝系统的分组干扰对齐算法

针对3小区,每小区多个用户的蜂窝系统,提出了一种基于分组的线性干扰对齐算法。算法首先对系统中所有的用户进行分组,分组后的每组包含3个用户,且3用户分别来自系统中3个不同的小区,通过分组将复杂的蜂窝多址接入信道转换为较简单的干扰信道;然后在用户端通过联立多矩阵,应用特征向量求解预编码矩阵将每个分组中的干扰进行两两对齐,压缩干扰子空间,再利用最大化弦距离理论对得到的预编码矩阵进行进一步的优化,最后在基站端利用矩阵逆的性质以较低的计算复杂度设计干扰消除矩阵将系统中的干扰完全消除。通过系统仿真分析显示,该算法较传统的蜂窝干扰对齐算法,能以较低的天线配置和较低的计算复杂度实现较高的系统容量。

基于虚拟现实技术的黄梅戏数字博物馆设计

基于虚拟现实技术构建黄梅戏VR数字博物馆,以安庆市黄梅戏博物馆为原型。首先通过三维建模技术建立3D博物馆模型,然后采用Unity交互开发技术实现场景漫游、浏览互动和交互游戏,最后使用虚拟现实头戴式显示技术实现沉浸式虚拟漫游。用户通过虚拟现实体验打破空间限制,身临其境感受黄梅戏文化的独特魅力,提高人们对黄梅戏的认知度,为互联网时代中国传统戏剧文化传承发展提供新思路。

无线传感器网络中基于反距离加权的DV-Hop改进算法

通过分析传统DV-Hop定位算法在对无线传感器网络中节点分布随机性方面的不足,提出了一种改进算法。该算法采用最小均方误差准则代替方差或偏差,求得平均每跳距离。为了体现各信标节点对未知节点的影响程度不同,采用反距离加权法来处理平均每跳距离。实验结果表明,在没有增加原算法复杂度和成本的前提下,定位精度有了一定提高,该算法是一种简单实用的改进定位算法。

基于K-means聚类的RGBD点云去噪和精简算法

针对Kinect等深度相机扫描获取的点云数据数量庞大、噪声较多的问题,提出一种特征保持的点云去噪和精简算法。使用K-D树快速分类点云;通过曲率估计算法得到局部曲面的曲率值;使用K-means聚类算法对点云进行聚类,对每个类中的点,根据点到聚类中心的欧式距离和邻近点曲率变化判断是否为噪声点;通过保持特征的点云精简算法实现对点云数据的简化。实验结果显示,算法快速有效,对于去除大量外部噪声有良好效果,且精简后的点云数据保持了原始点云特征。

基于专家特征的条件互信息多标记特征选择算法

特征选择对于分类器的分类精度和泛化性能起重要作用。目前的多标记特征选择算法主要利用最大相关性最小冗余性准则在全部特征集中进行特征选择,没有考虑专家特征,因此多标记特征选择算法的运行时间较长、复杂度较高。实际上,在现实生活中专家依据几个或者多个关键特征就能够直接决定整体的预测方向。如果提取关注这些信息,必将减少特征选择的计算时间,甚至提升分类器性能。基于此,提出一种基于专家特征的条件互信息多标记特征选择算法。首先将专家特征与剩余的特征相联合,再利用条件互信息得出一个与标记集合相关性由强到弱的特征序列,最后通过划分子空间去除冗余性较大的特征。该算法在7个多标记数据集上进行了实验对比,结果表明该算法较其他特征选择算法有一定优势,统计假设检验与稳定性分析进一步证明了所提出算法的有效性和合理性。

单传感器数据驱动的人体日常短时行为识别方法

在基于惯性传感器的人体行为识别研究中,特征提取是其中的关键环节之一。而离散数据统计特征的稳定性依赖于特征提取的窗口大小。一般来说,训练数据的窗口长度需要大于一个运动周期。因此,针对测试数据远小于一个运动周期的短序列样本识别问题,提出了一种基于模板匹配的新的解决方案。首先,通过适当分割训练数据的长序列样本,构建一个过完备的短时行为模板库,将待测短时样本与模板库中样本进行一致化处理并进行匹配;其次,在匹配算法中,采用样本间的F范数与整体梯度向量的2范数累加作为匹配度量准则,得到相似度直方图;最后,基于相似度直方图,根据投票策略得到最终分类识别结果。实验表明:在使用单传感器识别短时行为的情况下,新算法比传统算法在精度和稳定性上具有更好的性能,并能适应不同窗口下短时行为分类问题。

基于视点相关性的光场图像压缩算法

为了探索虚拟绘制视点之间的强相关性,提高光场图像的压缩效率,提出一种基于视点相关性的光场图像压缩算法.该算法基于高清视频编码屏幕内容编码扩展平台,利用线性加权算法以及帧内块拷贝混合预测算法来提升编码块的预测精度;并利用率失真优化过程来自适应地选择最优的编码块大小以及预测模式.结果表明,所提算法相比于高清视频编码标准可以获得2.55dB的平均BD-峰值信噪比编码增益,同时可以获得较好的虚拟视点绘制质量.该算法充分利用虚拟绘制视点之间的强相关性,提高了光场图像的编码效率.

基于三支概念格合并的决策背景规则提取

作为当前形式概念分析领域的研究热点,利用三支概念格可以实现更为有效的决策分析。该文在现有基于属性导出三支概念格的规则提取基础上,研究了基于对象导出三支概念格的规则提取,并与经典概念格及属性导出三支概念格下的规则提取进行了比较。然后通过对象导出三支概念格和属性导出三支概念格的合并,定义了对象/属性导出合并三支概念格,并提出了相应的规则提取算法。理论分析和实例结果表明,对象导出三支概念格和属性导出三支概念格的合并进一步改善了生成规则的质量。

基于粗糙集的数据流多标记分布特征选择

针对传统特征选择算法无法处理流特征数据、冗余性计算复杂、对实例描述不够准确的问题,提出了基于粗糙集的数据流多标记分布特征选择算法。首先,将在线流特征选择框架引入多标记学习中;其次,用粗糙集中的依赖度替代原有的条件概率,仅仅利用数据自身的信息计算,使得数据流特征选择算法更加高效快捷;最后,由于在现实世界中,每个标记对实例的描述程度并不相同,为更加准确地描述实例,将传统的逻辑标记用标记分布的形式进行刻画。在多组数据集上的实验表明,所提算法能保留与标记空间有着较高相关性的特征,使得分类精度相较于未进行特征选择的有一定程度的提高。

考虑紧急度的救灾车辆路径问题建模与优化

为了减少救灾物资配送的延误时间和救灾车辆的总运输时间,引入紧急度的概念,建立了基于紧急度的救灾物资车辆路径问题模型,并设计了一种改进遗传算法对该模型进行求解。首先,采用多种策略生成初始种群;然后,提出一种基于紧急度的任务再分配算法作为局部搜索算子,该算法依据紧急度为延误安置点重新安排配送车辆或调整配送顺序从而减少延误时间,对无延误的车辆优化其路线从而减少总运输时间,以达到延误时间和总运输时间两者最优。在17个数据集上与先来先服务(FCFS)算法、按紧急度排序(URGS)算法和遗传算法(GA)三种算法进行了对比。实验结果表明,具有基于紧急度的任务再分配策略的遗传算法(TRUD-GA)与GA相比,平均延误时间减少25.0%,平均运输时间减少1.9%,与FCFS、URGS算法相比改进则更加明显。

面向RGB-D数据的4D-ICP点云配准方法

针对三维彩色物体的配准问题,提出一种面向RGB-D数据的点云配准方法.首先利用主方向贴合方法将待配准的两片点云快速拉近,使它们近似对齐;在点云精确配准阶段,将RGB颜色值转换成单通道的灰度值,并将灰度值范围映射到几何数据的范围,由映射后的灰度值和点云的几何信息构成四维向量;然后由点的局部邻域几何信息和颜色信息构造混合特征描述子,根据混合特征描述子获得源点云的特征点,在四维向量空间,利用k近邻算法在目标点云中搜索对应点,以提高搜索效率;最后,定义了一种基于4D欧氏距离的ICP算法,通过4D-ICP迭代算法实现点云的精确配准.实验结果表明,面向RGB-D数据的4D-ICP配准方法,能够快速有效地实现RGB-D点云模型的配准,并在配准精度和保持颜色纹理方面效果突出.

动态滑动窗口加权互信息流特征选择

特征选择是解决数据高维性的一种有效方法,传统的特征选择算法常用经典信息论知识去度量特征的重要度,却忽略了标记和未标记数据的互相影响;同时,这些方法主要基于静态数据的多标记特征选择,很难直接应用到动态流数据环境中.而现实世界中,由于动态环境之下特征到达的数目和顺序都是未知的,并且研究者往往可能只对最近到达的特征感兴趣,所以滑动窗口机制能很好地解决此类问题.基于此,首先引入一种具有补性质的模糊信息熵,并考虑标记和未标记数据的互相影响,提出一种加权的模糊互信息度量方法,然后结合滑动窗口机制,分别提出基于固定滑动窗口的加权模糊互信息特征选择(Feature Selection with Weighted Fuzzy Mutual Information based on Sliding Window,FS-FMI)和基于动态滑动窗口的加权模糊互信息流特征选择(Streaming Feature Selection with Weighted Fuzzy Mutual Information based on Dynamic Sliding Window,SFS-FMI-DSW)两种算法.实验结果表明,SFS-FMI-DSW算法更加有效,统计假设进一步说明了算法的有效性.

基于PLSA学习概率分布语义信息的多标签分类算法

多标签算法大多利用特征与标签嵌入等方法挖掘标签空间的语义信息,但这类方法没有利用特征与标签间可能存在的某种联系.类属属性的提出较好地诠释了特征与标签的联系,即标签可能对应一组自身的特征,然而这类方法未能给出特征与标签间可能存在的逻辑关系,也未证实标签与实例间可能存在同样的逻辑关系.因此,提出基于PLSA(Probabilistic Latent Semantic Analysis)学习概率分布语义信息的新型多标签分类算法.首先认为样本矩阵存在一种隐含变量作为标签,利用PLSA模型获取特征⁃标签与标签⁃实例条件概率分布矩阵,以条件概率分布的形式解释它们之间可能存在的联系;其次,建立模型学习概率分布矩阵中存在的语义信息,并应用于多标签算法的标签预测与分类;最后在13个公开的多标签文本类型的数据集上进行实验与统计假设检验,并与其他多标签分类算法对比.实验结果表明,提出的学习概率分布语义信息用于提高多标签算法的性能存在一定的合理性.