【摘 要】
：
传统动力下肢假肢运动意图识别算法常使用机器学习算法分类器,在特征选择方面则需要手工提取.针对该问题将深度学习算法应用于运动意图识别研究中,通过在传统的卷积神经网络的基础上进行改进,使算法更适应于基于短时行为样本数据的运动意图识别,同时抑制深度学习算法应用于运动意图识别中的过拟合.在意图识别数据集中进行滑动窗口预处理,目的是对时间序列样本做数据增广,扩增目标数据集能够使训练集更加丰富全面,提高识别的精度,运用改进后的卷积神经网络对增广后的数据集进行特征学习与分类.实验结果表明,该方法在13类运动模式下的识别
【机 构】
：
安庆师范大学计算机与信息学院,安徽安庆246133;铜陵学院数学与计算机学院,安徽铜陵244061;安徽省智能感知与计算重点实验室,安徽安庆246133;安庆师范大学计算机与信息学院,安徽安庆2461
论文部分内容阅读
传统动力下肢假肢运动意图识别算法常使用机器学习算法分类器,在特征选择方面则需要手工提取.针对该问题将深度学习算法应用于运动意图识别研究中,通过在传统的卷积神经网络的基础上进行改进,使算法更适应于基于短时行为样本数据的运动意图识别,同时抑制深度学习算法应用于运动意图识别中的过拟合.在意图识别数据集中进行滑动窗口预处理,目的是对时间序列样本做数据增广,扩增目标数据集能够使训练集更加丰富全面,提高识别的精度,运用改进后的卷积神经网络对增广后的数据集进行特征学习与分类.实验结果表明,该方法在13类运动模式下的识别率达到93％.
其他文献
对大规模路网交通流进行准确预测,能够应用于区域交通协同控制与管理,提高路网运行效率.针对如何高精度地拟合大规模路网交通流时空分布并对其进行准确预测,提出基于梯度惩罚的Wasserstein生成对抗网络(Wasserstein generative adversarial network with gradient penalty,WGAN-GP)的大规模路网交通流预测算法.根据大规模路网交通流数据特点,为了增加模型对时间相关性和远距离空间相关性特征的抽象能力,采用残差U型网络作为生成器来增加网络深度;采用
视觉场景理解包括检测和识别物体、推理被检测物体之间的视觉关系以及使用语句描述图像区域.为了实现对场景图像更全面、更准确的理解,将物体检测、视觉关系检测和图像描述视为场景理解中3种不同语义层次的视觉任务,提出一种基于多层语义特征的图像理解模型,并将这3种不同语义层进行相互连接以共同解决场景理解任务.该模型通过一个信息传递图将物体、关系短语和图像描述的语义特征同时进行迭代和更新,更新后的语义特征被用于
从概率统计方法出发,提出一种基于高斯混合模型聚类与递推最小二乘算法的非均匀采样系统的多模型建模方法.首先,采用高斯混合模型作为调度函数,使用最大期望(EM)算法迭代更新估计高斯混合模型中参数,从而通过每个子系统的高斯概率密度函数计算和比较来确定子系统的激活情况;其次,采用递推最小二乘算法估计局部子系统参数;然后,使用鞅收敛定理对所提出的算法性能进行分析;最后,通过非均匀采样系统的多模型建模来证明所提出方法的有效性.
针对未知但有界扰动和噪声的线性时不变系统,提出一种基于向量集逆区间滤波的执行器故障观测器设计方法,以实现噪声未知但有界环境下的故障区间估计.通过将执行器故障视为增广状态向量,构造与原系统等价的增广系统;基于增广系统设计故障观测器,得到系统执行器故障的区间估计,同时利用多时刻的测量输出进行区间滤波;采用观测器估计区间和集逆收缩区间的交集,得到更紧致的当前时刻的状态区间,降低区间计算的包裹效应.仿真实例验证了所提方法的有效性和实用性.
针对传统冷源系统节能优化方式机理建模复杂,缺乏自我学习能力,优化速度较慢等问题,提出一种基于数据驱动和自我学习机制的冷源系统节能优化控制策略,设计冷源马尔可夫决策过程模型,并采用深度确定性策略梯度算法(DDPG)解决维数灾难与避免控制动作离散化问题.以夏热冬暖地区某大型办公建筑中央空调冷源系统为研究对象,对冷源系统控制策略进行节能优化,实现在满足室内热舒适性要求的前提下,减少系统能耗的目标.在对比实验中,DDPG控制策略下的冷源系统总能耗相比PSO控制策略和规则控制策略减少了6.47％和14.42％,平均
含补偿单元的四端输出三相-两相矩阵变换器(3-2 MC)能有效提升带两相独立负载的矩阵变换器输入性能,在现有的调制方法下,四端输出3-2 MC的电压增益较三端拓扑低,且该电压增益是与多个变量有关的表达式.针对上述缺陷,提出一种输出协同调制的开关组合优化方法,该方法在单位调制周期时间内对同极性输出侧和补偿侧进行协同调制,以提高有效矢量利用率.通过理论推导和分析可得,与现有调制方法相比,采用所提出方法能将四端输出3-2 MC电压增益提高到常规三端输出3-2 MC的水平,同时使得四端输出3-2 MC的电压增益是
传统机器学习方法的有效性依赖于大量的有效训练数据,而这难以满足,因此迁移学习被广泛研究并成为近年来的研究热门.针对由于训练数据严重不足导致多分类场景下分类性能降低的挑战,提出一种基于DLSR(discriminative least squares regressions)的归纳式迁移学习方法(TDLSR).该方法从归纳式迁移学习出发,通过知识杠杆机制,将源域知识迁移到目标域并同目标域数据同时进行模型学习,在提升分类性能的同时保证源域数据的安全性.TDLSR继承了DLSR在多分类任务中扩大类别间间隔的优势
针对一类带有输入饱和特性的不确定非线性系统,为了在保证系统跟踪性能的同时最大限度节省系统通讯资源,结合Backstepping技术,提出一种自适应模糊触发式补偿控制方法.由于安全需求或者物理限制等因素,输入饱和特性往往不可避免地存在于实际物理系统中,给系统的控制性能和稳定性造成不利影响.为有效解决该问题,将光滑的双曲正切函数融入自适应控制设计过程,以实现对系统输入饱和约束的补偿.此外,由于实际系统模型难以精确建立,系统描述中难免会存在未知不确定部分,对此,利用模糊逻辑系统对系统的未知不确定部分进行逼近处理
应用于复杂场景下的行人再识别方法,常采用结合全局特征和局部特征的行人表示策略来提升模型的判别能力.但是,提取局部特征往往需要针对特定的语义区域设计专门的模型,增加了算法的复杂性.为解决上述问题,提出一种基于多尺度特征表示的行人再识别模型.该模型通过对不同细粒度局部特征与全局特征的联合表示,得到多层次具有互补性的判别信息,端对端地完成行人再识别任务.为了在获取高区分度信息的同时保留更多的细节信息,采
工业过程多变量、数据高维度和非线性的特点使得对其质量监测及质量相关的故障诊断变得复杂.融合核熵成分分析(KECA)及典型相关分析(CCA)方法的思想,进行特征提取降维的同时确保所提取特征与质量变量的最大相关性,提出一种新的质量相关的工业过程故障检测方法.首先,采用KECA对输入数据进行核空间的映射及特征提取,同时融合CCA算法思想使得所提取特征与质量变量间关联最大化;然后,构建监测统计量并用Parzen窗估计其控制限,用于过程的故障检测;最后,运用所提方法对带钢热连轧工业过程实际生产数据进行分析,并与其他