【摘 要】
：
传统识别模型在进行人体异常行为识别时,无法准确地定位到识别目标的IP地址与目标源.针对此问题,设计了一种基于循环神经网络的人体异常行为识别模型.根据人体异常行为在循环神经网络中的传播方式,计算人体规律性异常行为、重复性异常行为在网络中占用的流量,并通过Lex.net技术提取网络规则,对比人体行为执行规则与循环神经网络规则,描述人体异常行为网络执行规则;同时,引进CNN标记方式,对异常信息进行标记,引入卷积神经网络标记异常信息,将标记结果按照高语义特征与低语义特征,以此实现对行为的有效识别.实验证明,本文设
【机 构】
：
上海工程技术大学 电子电气工程学院,上海201620
论文部分内容阅读
传统识别模型在进行人体异常行为识别时,无法准确地定位到识别目标的IP地址与目标源.针对此问题,设计了一种基于循环神经网络的人体异常行为识别模型.根据人体异常行为在循环神经网络中的传播方式,计算人体规律性异常行为、重复性异常行为在网络中占用的流量,并通过Lex.net技术提取网络规则,对比人体行为执行规则与循环神经网络规则,描述人体异常行为网络执行规则;同时,引进CNN标记方式,对异常信息进行标记,引入卷积神经网络标记异常信息,将标记结果按照高语义特征与低语义特征,以此实现对行为的有效识别.实验证明,本文设计的识别模型,可以在有限时间内输出所有人体异常行为,并能在完成对异常行为的识别后,追踪到行为对应的目标个体.
其他文献
为了对下旋球发球的整体性进行研究,本文通过标记点对乒乓球运动员关键部位和乒乓球拍进行标记,利用三维运动捕捉系统对整个下旋球发球过程进行研究.针对传统算法中的分类模型适应性差、分类精度不足和LSSVM相关参数的选取随机性强等相关问题,提出了将3种算法结合在一起对乒乓球发球规范性分类的新方法.通过分析下旋球发球的影响因素,选取9个特征向量,并对其进行效果测试,最终确定8个特征向量;通过PCA进一步提取特征向量,把提取结果输入到LSSVM中,用PSO算法优化;根据对比其他几种优化算法,建立了改进的PCA-PSO
针对数据缺失问题,本文在完全随机缺失的前提下,对完整数据集进行不同比例的挖空处理,并使用K近邻算法进行缺失值填补;采用交叉验证法优化K值;最后借用高斯函数,对传统K近邻算法进行加权处理,提出加权K近邻算法.实验结果表明,不论K取值多大,加权K近邻算法填补效果均优于传统K近邻算法;且K=2时,两种算法填补效果达到最佳.
部分联合学习模型使用同一个编码器对实体识别和关系抽取这两项任务进行编码,但是单个编码器不足以捕获同一空间中两个任务所需的信息,本文通过使用序列编码器获取实体标签,表格编码器获取关系标签的双编码方式改善这一缺陷;与此同时,为了让整个模型更快、更好的收敛到理想效果,在双编码器模型的基础上加入了最小风险训练来优化全局损失函数.与现有的主流模型在4个标准数据集上进行对比发现,本文模型相较主流模型在评价指标上均有一定程度的提升.
针对目前图像配准算法存在的配准时间较长、配准正确率低等问题,本文提出一种基于改进分层随机选择一致性(Stratified Random Selection Random Sample Consensus,SRS-RANSA)的图像配准算法.首先,通过ORB(Oriented FAST and Rotated BRIEF)算法对参考图像进行特征点提取;其次,采用最小距离法初步过滤匹配中存在的误匹配数量;最后,随机抽样一致性(RANSAC)框架中通过分层随机选择(SRS)提取分布相对分散且均匀的特征点,进一步
高维数据中存在着成千上万个特征,大量的特征导致问题搜索空间过大,增加了计算代价,影响了数据分类预测的准确性.为了提高特征选择的效率,本文提出了一种对称不确定性和种群降维机制的粒子群特征选择算法,该算法设计了一种基于对称不确定性指标的初始化方法,降低特征选择的计算代价.通过非支配排序的种群降维机制,减少进化过程中冗余特征的影响.在5个公开生物医学的高维数据集上的实验结果表明,该算法能够针对高维数据特征选择问题取得更好的分类精度和更小的最优子集特征个数,并在时间运行方面有一定的优势.
目前的语音重放攻击检测系统中,绝大部分性能良好的系统采用的特征和网络模型的数据量都很大,训练速度慢、对设备要求高.因此本文提出了一种基于CQT(Constant Q Transform)变换的时间帧压缩方法,以减小特征尺寸和网络模型参数量,从而加快训练速度、降低设备要求.首先,将语音信号的CQT谱在时间帧维度上压缩,得到一维特征,成百倍地减少特征数据量;其次,对应设计一维小型残差网络模型,以辅助进一步减少数据量;最后,在ASVspoof2019挑战赛的PA数据集上训练并测试网络模型性能.实验结果表明,本文
数字化检测技术的不断发展使得点云分割成为三维点云处理的热门研究方向.区域生长算法广泛应用于点云分割,本文针对目前区域生长算法的局限性,提出基于距离判断函数的点云分割算法.使用八叉树构建拓扑关系,引入距离判断函数判断种子点的属性,计算种子点到其切平面的法向距离,将距离阈值作为依据划分平缓点和尖锐点;根据种子点与邻域点法线夹角筛选邻域点,合理设定曲率阈值,确定区域生长准则.选取钢轨扣件为试验对象,钢轨扣件是铁道线路关键连接件,实现钢轨扣件的精确分割有利于优化特征提取.点云分割的试验表明,基于距离判断函数的方法
使用岩石铸体薄片图像对岩石孔隙特征进行分析已经成为国内外石油地质部门常用方法之一,自动精确地分割铸体岩石薄片中的孔隙区域是定量计算孔隙参数的前提.目前传统RGB阈值分割方法精度不高,需要大量人工交互,而一些主流图像分割的深度学习网络泛化性能差,难以运用到实际中.针对这些问题,本文在U-net网络的基础上,提出了一种融合注意力机制和循环残差网络的模型.引入循环残差模块扩展网络深度,又融合了注意力机制模块,增加特征信息的学习权重.采用油田实验室常见的多种铸体薄片进行了实验,均取得了较好的分割结果,验证了本文方
为了提高双馈风机网侧变换器的整流性能,在PWM整流器中引入分数阶PID控制器作为电压环,采用差分进化算法对分数阶PID控制器的参数进行智能调节,用以改进分数阶PID控制器的整定方法.仿真结果显示,基于差分进化算法的分数阶PID控制与分数阶PID控制和常规整数阶PID这两种控制相比,调节时间分别下降了0.5 s和0.8 s,进入稳态后的纹波电压幅值明显下降,双馈风机网侧的三相交流电流的总谐波因数分别下降0.31％和11.85％.
驾驶员在驾驶时,会对周围车辆的轨迹进行预测,并且采取一个安全的行为模式,从而减少道路事故的发生.出于这个想法,研究人员基于深度学习的模型,对车辆的轨迹进行预测,从而提升自动驾驶车辆的安全性.通过不断分析获得的驾驶数据,深度学习可以得到其它汽车的行为模式并进行预测.相较于过去的方案,基于深度学习方案在轨迹预测上具有优势,本文基于transformer模型的LSTM(长短期记忆网络)编码隐藏参数,反映周围车辆的驾驶意图,再通过Lembda层获得这些车辆对预测车辆的影响,最后通过LSTM解码获得预测的轨迹.相较