网络教学中的学习情绪双元辨别研究

针对目前网络教学系统中对学生学习情绪与学习状态的捕捉辨识存在问题,提出在网络学习情绪辨别机制中,结合人脸表情辨别和基于半投票机制的文字语意推论辨别两种非侵入性情绪辨别方式的优点,设计了网络实时监视指导单元.实验表明,该非侵入性的情绪双元辨别机制使网络教学系统中的学习情绪辨别率得到有效提升,系统交互性明显加强,为网络教学系统中学习情绪辨别机制的设计提供方向.     

无线传感器网络数据融合技术研究

无线传感器网络是一种新兴前沿技术,其巨大的应用前景受到学术界和工业界的高度重视。无线传感器网络节点能量和计算资源严重受限,数据融合技术是减少网络能耗、降低数据冲突、降低传输时延的重要方法。本文首先分析数据融合的重要性;其次针对数据融合的功能分类阐述现有的数据融合方法,并分析存在的问题;最后对数据融合技术的未来发展进行了展望。     

基于神经网络的传感器网络数据融合技术研究

研究传感器网络数据融合优化问题,由于采集数据过程各节点汇集存在大量的冗余信息,需通过融合,提高采集效率.针对传统的数据融合算法需要获得对象比较精确的数学模型,对于复杂难于建立模型的场合无法适用.为解决上述问题,提出了一种BP神经网络传感器网络数据融合方法,可对对象的先验要求不高,具有较强的自适应能力.首先建立三层网络结构,接着提取数据库中属性数据的特征值并作为网络的输入,然后通过调节输入向量与中心向量的距离及中心向量的值确定网络权值,最后对数据进行有效融合,仿真结果表明,通过对有损数据融合,无损数据融合相比较,得出采用BP神经网络对传感器数据进行融合处理,输出输入稳定简单,是一种有效的数据融合处理方法.     

无线传感网络中数据融合体系架构的研究

数据融合技术是无线传感器网络（WSN）的一个关键技术,目的是减少传感节点间的传输量,降低整个网络中的能量消耗和数据冲突,进而优化WSN的整体性能。文章针对WSN中数据融合处理形式的多元性,在讨论了广义的数据融合,分析现有的WSN数据融合方法的基础上提出了一种解决WSN（自组织和网内处理）中数据融合多元性问题的新的开放式的体系架构,并给出了具体实现方案。     

基于EEG和DE-CNN-GRU的情绪识别

近年,情绪识别研究已经不再局限于面部和语音识别,基于脑电等生理信号的情绪识别日趋火热.但由于特征信息提取不完整或者分类模型不适应等问题,使得情绪识别分类效果不佳.基于此,本文提出一种微分熵(DE)、卷积神经网络(CNN)和门控循环单元(GRU)结合的混合模型(DE-CNN-GRU)进行基于脑电的情绪识别研究.将预处理后的脑电信号分成5个频带,分别提取它们的DE特征作为初步特征,输入到CNN-GRU模型中进行深度特征提取,并结合Softmax进行分类.在SEED数据集上进行验证,该混合模型得到的平均准确率比单独使用CNN或GRU算法的平均准确率分别高出5.57%与13.82%.     

基于SOFM神经网络的无线传感器网络数据融合算法

为了降低无线传感器网络的通信量,降低能耗,延长网络的生命周期,提出了一种基于SOFM(Self-Organizing Feature Mapping)神经网络的数据融合算法（SOFMDA）,该算法将自组织映射神经网络和无线传感器网络分簇路由协议相结合,使簇中的各个节点完成神经元的工作,按照数据的特征对其进行分类,提取同类数据的特征,将特征数据发送到汇聚节点,从而减少了数据发送量,延长网络的生命期。仿真实验表明,与普通的数据融合方法相比,SOFMDA能够在保证数据准确性的前提下,有效减少网络通信量,延长网络生命期。在文中仿真实验的时间内,达到了LEACH算法性能的1.5倍。     

基于改进的自组织映射网络的遥感影像融合研究

多源遥感影像融合是富集遥感海量数据的最有价值的技术手段。本文给出了一种新的基于改进的自组织映射网络的遥感影像融合模型。选择浙江绍兴为典型研究区,以Landsat TM(10m)与SPOT-4 Pan(10m)融合数据为例,进行了融合实验与分析。实验结果表明,应用基于改进的自组织映射网络模型进行融合,分类融合结果较好,较基于基本自组织映射网络的影像融合分类精度提高约8％。     

基于统计网络演算的融合网络网关节点时延性能研究

为分析融合网络网关节点统计时延性能,根据最小加代数理论中的统计网络演算的相关知识,提出了一种基于改进的GPS调度系统模型,然后利用网络演算理论求解出网关节点统计时延上界。数值结果分析表明,改进的调度模型有效地改善了自相似特性对网关延迟上界所造成的影响,与未改进的模型相比,网关统计延迟上界更具有良好的紧致性,为下一步由单节点扩展到端到端节点延迟上界研究提供了参考。     

脑电信号情绪识别研究综述

情绪识别是指通过人的面部表情、行为动作或者生理信号等信息识别人的情绪状态,其成果在医疗辅助、教育、交通安全等方面有很大的应用价值.由于脑电信号的客观真实性等特点,使用脑电信号进行情绪识别研究受到国内外学者们的广泛关注.查阅了大量脑电情绪识别相关文献并进行归纳、分析和总结.首先,对情绪以及情绪识别的定义、情绪的分类模型、...     

基于RBF网络的粮食水分检测数据融合研究

为了提高测量的准确性和快捷性,需要融合处理多传感器检测的数据。本文首先介绍BRF网络的特性和训练方式,然后进行样本数据采集、样本数据归一化、神经网络的训练及其结构的确定,完成基于RBF网络的水分检测数据处理过程,实现粮食水分检测中的多传感数据融合。经过Matlab中的神经网络模型训练后,实验结果表明,拟合值始终在目标值上下波动,波动的范围在7%以内,该方法具有较大的优越性,可在其它工业领域中推广应用。     

基于车联网图像的多焦点融合去噪技术的研究

针对车联网远程短时间内连续拍摄照片存在焦点不固定、噪声干扰的问题,本研究采用图像融合技术和中值滤波方法,对图像进行处理。并通过图像锐化、直方图均衡化处理、图像边缘检测等方法来测试分析图像质量。经过测试分析,融合和滤波之后的图像清晰。     

基于数据融合的无线传感器网络延迟感知研究

网络数据融合与聚类是减少无线传感器网络能量消耗的有效技术,但聚类在数据聚集过程中会产生额外的时间延迟。为此,提出一种基于网络数据融合的延迟感知网络结构,该结构组建传感器节点形成不同大小的簇,每个簇可以与融合中心节点进行交错通信。仿真结果表明,与低功耗自适应集簇分层型协议、延迟感知数据收集网络结构相比,该网络结构可以减少在数据融合过程中的延迟,并能保持较低的能量消耗。     

基于信息融合思想的神经网络模型研究及应用

文章针对水电仿真系统中水轮发电机机组的非线性动态数学模型建模复杂问题,提出了一种基于信息融合思想的神经网络模型。通过现场设置的多个异质传感器采集数据,作为该神经网络模型的输入训练样本数据,网络训练中动态修改网络权值和阈值,从而完成复杂的非线性建模功能。同时采用了具有较强全局寻优能力的遗传算法在训练中修改网络结构,从而避免神经网络训练速度慢、容易陷入局部极值的缺点,在现场在线数据预测测试中准确率可达95.8%以上,可以满足仿真模型需要。     

双路融合的深度估计神经网络方法研究

从单目视觉中恢复深度信息是计算机视觉领域的经典问题,结合传统算法的深度学习方法是近年来的研究热点,但在神经网络的算法融合、参照物标定和应用场景上还有限制。提出了一种双路融合深度估计神经网络结构,分别基于深度与深度梯度的语义信息进行网络训练,对特征融合后再次训练得到最终的细节特征,并通过单次标定的方法解决真实参照物标定工作量大的问题。该网络结构能根据单张RGB图片推测出富有细节的深度信息,网络模型基于KITTI的深度图数据集训练,实验包括KITTI测试集和部分实际场景图集,结果表明该方法在深度信息细节的重建上优于对比深度估计方案,在大视场场景下的鲁棒性优良。     

基于信息融合的网络安全态势评估模型

安全态势评估是近年来国内外在网络安全领域的研究热点之一.对已有的安全态势评估方法进行了详细分析和比较,针对网络安全中多数据源的特点,提出基于信息融合的网络安全态势评估模型,引入改进的D-S证据理论将多数据源信息进行融合,利用漏洞信息和服务信息,经过态势要素融合和节点态势融合计算网络安全态势,绘制安全态势曲线图,同时对态势计算结果进行时间序列分析,从而实现网络安全趋势的预测.最后利用网络实例数据,对所提出的网络安全态势评估模型和算法进行了验证,结果表明该模型比已有成果更加有效和准确.     

一种基于模糊神经网络的信息融合技术

针对船舶所处的复杂环境,以及现代船舶系统对精度的要求越来越高,提出了一种船舶信息融合结构和一种模糊神经的信息融合方法,该方法结合模糊推理和神经网络并行分布处理和自学习能力,采用三层神经网络结构,映射函数为高斯模糊隶属函数,采用改进的BP学习算法.最后通过船舶信息仿真实验,证明了该方法是可行的和有效的.     

基于卷积神经网络的左右眼识别

利用一个深度卷积神经网络提出并验证了一种能自动判别左右眼的新方法.根据左眼和右眼图像的特征差异性,所设计的网络能够自动估计网络的所有参数.在Alexnet网络的基础之上进行修改,设计的卷积神经网络由4个卷积池化层和2个全连接层组成,其次是作为最后一层的分类器.基于针对42541张眼底图像的实验结果,所提出的网络的训练精度约为100%,测试精度高达99%.此外,所提出的网络具有高度的鲁棒性,它可以成功地识别大量具有多变性的眼底图像.据所知,这是第1个基于深度学习用于左右眼识别的高精准度网络.     

基于渐进式嵌套特征的融合网络

显著目标检测是指通过引入人类视觉注意力机制,使计算机能检测视觉场景中人们最感兴趣的区域或对象.针对显著性目标检测中存在检测边缘不清晰、检测目标不完整及小目标漏检的问题,文中提出基于渐进式嵌套特征的融合网络.网络采用渐进式压缩模块,将较深层特征不断向下传递融合,在降低模型参数量的同时也充分利用高级语义信息.先设计加权特征融合模块,将编码器的多尺度特征聚合成可访问高级信息和低级信息的特征图.再将聚合的特征分配到其它层,充分获取图像上下文信息及关注图像中的小目标对象.同时引入非对称卷积模块,进一步提高检测准确性.在6个公开数据集上的实验表明文中网络取得较优的检测效果.