针对外骨骼机器人在人机交互、医疗康复中的人体运动步态准确识别问题,提出一种基于人体模型约束的步态动态识别方法。首先,利用AMS仿真软件建立不同运动的仿真模型,根据模型约束划分步态相位,并通过回归映射建立真实数据与仿真数据间的对应关系;然后,将柔性压力传感器采集的足底压力数据以及惯性测量单元采集的足部位移数据融合为足部运动数据,并根据动态变化结合模型约束条件动态分割运动数据,以判断步态相位;最后,搭建卷积神经网络(CNN)识别行走步态相位。实验结果表明,所提方法的行走动作步态平均识别准确率为94.58%,上、下楼梯动作的平均步态识别准确率分别为93.21%和94.64%,与未经动态分割的足底压力数据的步态识别相比,分别提高了11.34、12.19和16.03个百分点。可见,通过经动态分割的足部运动数据进行CNN识别具有较高的准确率,且适用于不同动作的步态识别。
针对海上船舶目标检测准确率不高的问题,提出一种基于改进YOLOv5的轻量级船舶目标检测算法YOLOShip。首先将空洞卷积与通道注意力(CA)引入空间金字塔快速池化(SPPF)模块,以融合不同尺度的空间特征细节信息,强化语义信息,提升区分前景与背景的能力;其次将协同注意力与轻量化的混合深度卷积引入特征金字塔网络(FPN)和路径聚合网络(PAN)结构中,以强化网络中的重要特征,获取含有更多细节信息的特征,并提升模型检测能力及定位精度;然后考虑到数据集中目标分布不均匀及尺度变化相对较小的特点,在修改锚框,减少检测头数量以精简模型的同时进一步提升模型性能;最后,引入更加灵活的多项式损失(PolyLoss)以优化二元交叉熵损失(BCE Loss),提升模型收敛速度及模型精度。在SeaShips数据集上的实验结果表明,相较于YOLOv5s,YOLOShip的精确率、召回率、mAP@0.5与mAP@0.5:0.95分别提升4.2、5.7、4.6和8.5个百分点,能在满足检测速度要求的同时得到更优的检测精度,有效地实现了高速、高精度的船舶检测。
针对通用型无参考图像质量评价(NR-IQA)算法,提出一种基于伪参考图像显著性深层特征的评价算法。首先,在失真图像的基础上,利用微调的ConSinGAN模型生成相应的伪参考图像作为失真图像的补偿信息,弥补NR-IQA算法缺少真实参考信息的不足;然后,提取伪参考图像的显著性信息,将伪参考显著性图像与失真图像输入到VGG16网络中提取深层特征;最后,融合二者的深层特征并将其映射到由全连接层组成的回归网络中,从而产生与人类视觉一致的质量预测。为了验证算法的有效性,在四个大型公开的图像数据集TID2013、TID2008、CSIQ与LIVE上进行实验,结果显示所提算法在TID2013数据集上的斯皮尔曼秩相关系数(SROCC)比H-IQA算法提升了5个百分点,比RankIQA算法提升了14个百分点,针对单一失真类型也具有稳定的性能。实验结果表明,所提算法总体表现优于现有主流全参考图像质量评价(FR-IQA)和NR-IQA算法,与人类主观感知表现一致。
基于拓扑优化的图卷积网络(TOGCN)是一类图卷积神经网络(GCNN)模型,它通过网络中的辅助信息优化网络拓扑结构,有利于反映节点间的联系程度;然而TOGCN模型仅注重局部节点之间的关联关系,对网络潜在的全局结构信息关注不足。融合全局特征信息,有助于提高模型的性能和处理信息缺失时的鲁棒性。提出了融合全局结构信息的拓扑优化图卷积网络(GE-TOGCN)模型,该模型一方面利用相邻节点的属性对拓扑图进行优化;另一方面使用类信息作为网络的全局结构信息,从而保持类内聚合性和类间分离性。首先根据标记节点计算类中心向量;然后利用部分未标记节点来更新类中心向量;最后将所有节点根据其与类中心向量的相似度分配到对应的类中,并通过一个半监督损失函数优化各类的类中心向量与节点的最终表示向量。在Cora、Citeseer数据集上,在标签信息缺失的情况下运用得到的节点表示向量进行了节点分类任务与节点可视化任务。实验结果表明,GE-TOGCN模型与图卷积网络(GCN)、图学习卷积网络(GLCN)等模型相比,在Cora数据集上的分类准确率提高了1.2~12.0个百分点,在Citeseer数据集上的分类准确率提高了0.9~9.9个百分点;而在节点可视化任务中所提模型的类内节点聚合程度更高,类簇之间的边界更明显。可见,融合类全局信息能减少标签信息缺失对模型学习效果的不良影响,且该模型得到的节点表示在下游任务中表现出了更好的性能。
在印刷工业生产中,针对直接使用YOLOv4网络进行印刷缺陷目标检测精度低、所需训练样本数量大的问题,提出了一种基于Siamese-YOLOv4的印刷品缺陷目标检测方法。首先,使用了一种图像分割和随机参数变化的策略对数据集进行增强;然后,在主干网络中增加了孪生相似性检测网络,并在相似性检测网络中引入Mish激活函数来计算出图像块的相似度,在此之后将相似度低于阈值的区域作为缺陷候选区域;最后,训练候选区域图像,从而实现缺陷目标的精确定位与分类。实验结果表明:Siamese-YOLOv4模型的检测精度优于主流的目标检测模型,在印刷缺陷数据集上,Siamese-YOLOv4网络对卫星墨滴缺陷的检测准确率为98.6%,对脏点缺陷的检测准确率为97.8%,对漏印缺陷的检测准确率为93.9%;检测的平均精度均值(mAP)达到了96.8%,相较于YOLOv4算法、Faster R-CNN算法、SSD算法、EfficientDet算法分别提高了6.5个百分点、6.4个百分点、14.9个百分点、10.6个百分点。所提Siamese-YOLOv4模型一方面在印刷品缺陷检测中有较低的误检率和漏检率,另一方面通过相似性检测网络计算图像块的相似度从而提高了检测的精度,表明所提缺陷检测方法可应用于印刷质检以提高印刷企业的缺陷检测水平。
目前,由于可供网络协议开发的硬件资源极其有限,而且真实性能评估要求硬件上的组网产生了高额的硬件成本。因此,对于大多数网络协议的研究以及性能评估都是基于纯软件系统进行的,其结果仅局限于理论意义。为了解决这些问题,基于GNU Radio平台以及二代通用软件无线电外设(USRP2)设计和实现了分布式无线网络媒体介入控制(MAC)协议的半实物仿真系统。该系统以IEEE802.11分布式协调功能(DCF)为协议框架,结合离散事件仿真技术,依靠较少的硬件资源(一台个人计算机(PC)和两台USRP2)模拟了多个节点的无线通信网络。实现中,MAC层协议使用简洁的Python语言进行系统开发,具有很大的灵活性,而且扩展性和可移植性强;物理层使用高效的C++语言对信号进行模块化处理,并利用USRP2射频硬件在真实信道上进行数据传输。将系统的节点发送概率以及吞吐量实测数据分别与Bianchi算法以及基于时隙分析的饱和吞吐量计算模型进行了对比,对比结果的吻合性说明了网络仿真平台的可靠性。
针对目前流域型灾害特征信息提取和动态预警方法不能满足实践需要的现实问题,为了提升流域型灾害特征信息提取和灾害动态预警技术水平,以典型流域型灾害为研究对象,剖析了流域型灾害性能参数计算及动态预警实现的核心环节,提出了基于无线传感网络(WSN)的流域型灾害特征信息计算方法,设计了流域型灾害动态预警信息处理算法.以典型流域型灾害的性能参数采样值为数据,运用Matlab仿真平台对其核心性能参数进行了仿真分析.实验结果表明,所提算法能够有效捕捉流域型灾害的核心动态特征信息,提高了流域型灾害动态预警指示的准确度.
准确的背景模型是目标提取与跟踪的重要基础。针对复杂场景中出现的局部拟周期变化的晃动目标,在多高斯背景模型基础上,提出一种拟周期背景算法(QPBA),用以抑制晃动目标,建立准确而稳定的背景模型。具体过程是:根据多高斯背景模型建立场景目标分类模型,分析晃动目标对高斯模型各参数产生的影响;以颜色分布值为样本建立高斯模型保留晃动所在像元,并以出现频次、时间间隔为权重因子,使晃动像元中的晃动模型融入背景模型。将拟周期背景算法与高斯混合模型(GMM)、背景建模算法(ViBe)、CodeBook等典型背景建模算法进行比较,通过定性、定量与效率三个方面的评估结果表明:拟周期背景算法对晃动目标抑制作用明显,误检率小于1%,可以很好地应对场景中晃动目标干扰;同时正检个数与其他算法保持一致,能够完整地保留运动目标;算法效率高,解算时间与CodeBook算法近似,满足实时性的计算要求。
针对Ad Hoc网络中虫洞检测方法带来的高时延和能耗问题,提出一种低时延和能耗的轻量级虫洞检测方法。即在节点查询路由后,利用路由节点的邻居数目,找出可能受虫洞影响节点的集合,同时依据路由节点的某个邻居节点的路由信息,进一步确定路由节点是否受虫洞影响。仿真结果表明,该方法可有效减少虫洞检测中的路由查询次数,并且与DeWorm和E2SIW方法相比,可有效减少时间延迟和能量消耗。
研究了IP/DWDM光因特网中一体化QoS组播路由算法,在考虑负载均衡的前提下,针对用户组播请求与柔性QoS需求,寻找一棵QoS组播路由树。由于该问题的NP难属性,因此提出一种基于模拟退火和禁忌搜索的混合算法来构造费用近优QoS组播路由树,同时集成一种基于分段和波长图思想的波长分配算法,一体化解决路由与波长分配问题。仿真结果表明,提出的算法是可行和有效的。