一种基于三维加速度传感器的人体行为识别方法

提出了一种基于单个三维加速度传感器的人体行为的特征提取及识别方法,主要识别了站立、走、跑、上楼和下楼五种动作. 该方法提取了多种统计特征包括标准差、偏度、峰度和相关系数实现多层分类. 实验表明, 本文采用的方法能够有效地识别这五种动作.     

基于改进的卷积神经网络的道路井盖缺陷检测研究

道路井盖缺陷检测对于道路维护与安全至关重要,论文提出了一种改进的卷积神经网络算法,可实现井盖缺陷的快速、准确检测。算法对卷积神经网络的激活函数模型进行了改进,针对Relu激活函数在输入小于零时输出设为零,导致部分缺陷信息丢失问题,设计了MReLu和BReLu两种改进激活函数。在此基础上,为了增强神经网络模型的特征表达能力,提出了双层激活函数模型。最后,在公共数据集MNIST,CIFAR-10上进行了比较实验,网络主要参数有批处理大小(batch size)为32,最大迭代次数为1000次,学习率为0.0001,每经过5000次迭代衰减50%。实验结果表明,基于改进后的激活函数和应用双层激活函数所构造的卷积神经网络,大大减少了训练参数,不仅收敛速度更快,而且可以更加有效地提高分类的准确率。     

求解超大规模旅行商问题的纵深遗传算法

很多演化算法对初始参数设计都敏感,针对于不同的旅行商问题（Traveling Salesman Problem,TSP）实例需要进行相应的初始参数调整。并且,在求解超大规模TSP问题时容易陷于局部最优解。提出了一种纵深遗传算法的TSP问题求解方案,以及新的改良函数、变异函数和交叉函数。对pr1002（259 269.09）、pla85900（152 394 182.43）和brd14051（489 842.93）等实例都获得了比较好的优化解。实验表明该方案在求解TSP问题方面具有优势。     

混沌化控制综述

在介绍混沌化控制的原理、方法、应用的基础上,对如下混沌化控制方法的国内外现状进行综述:基于李雅普诺夫指数配置的混沌化控制、对受控系统施加线性或非线性状态反馈输入的混沌化控制、通过对已有混沌吸引子进行变异来实现混沌化控制、通过施加时滞参数摄动或时滞状态反馈来实现混沌化控制、通过受控系统状态对已知混沌参考系统状态的精确跟踪来实现混沌化控制.最后对混沌化控制的发展趋势进行展望.     

基于堆叠降噪自动编码器的胶囊缺陷检测方法

目前医用胶囊生产过程中的缺陷检测主要由人工完成,费时费力,容易受主观因素的影响。提出一种基于堆叠降噪自动编码器的胶囊表面缺陷检测方法,该方法首先建立深度自动编码器网络,并根据缺陷样本进行降噪训练,获取网络的初始权值;然后通过BP算法进行微调,得到训练样本到无缺陷模板之间的映射关系;最后利用重构图像与缺陷图像之间的对比关系,实现测试样本的缺陷检测。实验表明,堆叠降噪自动编码器较好地建立了上述映射关系,能快速、准确地进行缺陷检测,对噪声具有很强的鲁棒性和稳定性。     

一种基于模糊积分的多分类器联合方法

多分类器联合是解决复杂模式识别问题的有效办法。模糊积分是一种多分类器联合算法。但是在用模糊积分对多分类器联合建模时，模糊积分密度函数的选择对系统的性能有着很大的影响。提出一种基于模糊积分和贝叶斯联合的分类器集成方法，该方法利用贝叶斯方法的构造只分密度函数，再利用模糊积分把分类器输出信息联合起来。实验结果表明，该方法比其他方法能够得到更好的识别性能。     

基于正则化的半监督等距映射数据降维方法

针对等距映射(ISOMAP)算法无监督,不能生成显式映射函数等局限性,该文提出一种正则化的半监督等距映射(Reg-SS-ISOMAP)算法。该算法首先利用训练样本的标签样本构建K联通图(K-CG),得到近似样本间测地线距离,并作为矢量特征代替原始数据点;然后通过测地线距离计算核矩阵,用半监督正则化方法代替多维尺度分析(MDS)算法处理矢量特征;最后利用正则化回归模型构建目标函数,得到低维表示的显式映射。算法在多个数据集上进行了比较实验,结果表明,文中提出的算法降维效果稳定,识别率高,显示了算法的有效性。     

工作流管理系统的柔性技术研究与应用

工作流的柔性是指灵活、动态地处理变更和异常的能力,这种能力使得工作流管理系统能够满足企业业务流程不断变更的需求,以及适应市场和企业的发展。自20世纪90年代中期开始,在提高工作流管理系统的柔性方面进行了很多探索和研究,引起了极大关注。该文首先介绍柔性工作流的相关概念及方法,然后结合工作流可扩展模型和跳转返回机制来增强工作流的柔性,最后基于微软WWF（Windows Workflow Foundation）的开发平台,通过示例来演示由宿主动态更新业务流程。     

基于W2KPCA-KNN 算法的人体异常行为识别

基于视觉的人体异常行为识别在特征提取时通常采用简单的形状运动信息或传统PCA 方法,前者信息量不足而后者忽略了数据中的非线性信息,因此将核主成分分析（KPCA）运用于人体异常行为识别解决了以上问题。针对KPCA 提取异常行为特征时存在的不足,提出了W2KPCA-KNN 算法,即在特征提取和分类两个阶段均进行相应加权运算,在保留行为图像信息的基础上,提高了识别的精度,有效满足了异常行为识别系统的技术要求。通过实验比对可知该算法效果在特征提取和分类方面均优于传统核主成分分析法以及最近邻分类器。     

一种新的基于KKT条件的错误驱动SVM增量学习算法

分析了SVM增量学习过程中, 样本SV集跟非SV集的转化, 考虑到初始非SV集和新增样本对分类信息的影响, 改进了原有KKT条件, 并结合改进了的错误驱动策略, 提出了新的基于KKT条件下的错误驱动增量学习算法, 在不影响处理速度的前提下, 尽可能多的保留原始样本中的有用信息, 剔除新增样本中的无用信息, 提高分类器精度, 最后通过实验表明该算法在优化分类器效果, 提高分类器性能方面上有良好的作用。