手写体数字字符识别算法仿真比较研究

采用BP神经网络、原始极限学习机、正则极限学习机和傅里叶变换优化极限学习机算法分别进行手写体数字字符识别仿真实验,通过MINIST数据库中的10 000个手写体数字样本训练神经网络数据传输过程中的参数,用训练所得神经网络参数进行手写体数字识别仿真测试。比较4种算法的仿真效果,BP网络识别效果最好、训练速度最慢,原始极限学习机训练速度最快,正则极限学习机和傅里叶变换极限学习机优化算法识别正确率高于原始极限学习机,但增加了算法的时间复杂度。将该手写体数字字符识别仿真实验用于学生实验教学,可加强学生对神经网络相关知识的学习和理解,提高学生编程和工程应用能力。     

基于生物电特征的驾驶员疲劳检测系统的设计研究

针对驾驶员疲劳检测研究中存在的难点,设计了一种基于人体生物电特征提取的疲劳检测系统方案.系统中通过前额电极导联采集驾驶员生理信号,利用无线节点将数据发送至手机端或车载端平台,软件中运用信号处理算法提取混合信号中的目标成份,并进行分类识别,建立特征模型,实现对生理疲劳的实时监控和记录.该方法克服传统疲劳检测方法的单一和局限性,具备较好的准确率和鲁棒性.     

流形正则化框架下的极限学习机预测锂电池SOC方法

为提高锂电池荷电状态建模预测的精度及泛化能力,提出一种流行正则化框架下的极限学习机建模预测方法。首先,为了解决极限学习机建立预测模型存在过拟合泛化能力弱的问题,以流形假设为依据,在数据输入空间构建图拉普拉斯算子,在其框架内求解极限学习机隐层和输出层之间的权重,达到正则优化目的。其次,针对正则化参数难以选择的问题,提出将差分进化算法融入基于流形正则化框架的极限学习机中以优化其正则化参数。最后,利用采集到的锂电池数据进行了实验验证。结果表明:该方法建立的预测模型预测锂电池SOC精度高,泛化能力强,为锂电池SOC的预测建模提供一种新方法。     

基于眼动特征的驾驶员疲劳预警系统设计

疲劳驾驶是导致交通事故的重要原因之一。为检测识别驾驶疲劳状态,根据人的眼动行为存在随机性及模糊性特点,采用不确定性的云模型对眼动特征进行数据处理,构建二维多规则推理生成器检测驾驶员疲劳状况,以此疲劳检测模型为基础构建基于安卓的疲劳预警系统。系统通过手机摄像头实时采集驾驶员面部数据,通过人脸人眼定位后,计算出 per-clos 和眨眼时间均值。将数据输入疲劳检测模块,一旦检测到驾驶员疲劳,系统即进行文字和语音提醒。该系统成本较低,实时性较好,在模拟驾驶环境下检测率可达到 73.98%。     

减法聚类和粒子群优化TS模糊神经网络的驾驶疲劳融合检测(英文)

为提高基于单一特征检测算法的准确率和可靠性,提出基于多个特征的驾驶疲劳融合检测算法.从直接反映驾驶员疲劳的2个面部特征和间接反映疲劳的1个车辆行为特征2个方面对驾驶疲劳进行综合检测.该算法运用TS模糊神经网络来识别驾驶疲劳,采用减法聚类对网络进行结构辨识,确定模糊规则的条数及相关参数的初始值,并改进了粒子群优化算法对网络进行训练.仿真和实车实验表明,该算法不仅能有效改善TS模糊神经网络的收敛速度和识别精度,而且能提高驾驶疲劳的检测正确率.     

基于极限学习机的三维图形重构虚拟仿真实验研究

针对极限学习机容易导致过拟合、泛化能力小等局限性,采用移动加权极限学习机和正则极限学习机优化算法,平衡原始极限学习机存在的结构风险和经验风险,提高极限学习机的泛化能力;并用该算法对墨西哥帽子函数进行三维重构虚拟仿真实验。实验表明,这两种算法能够有效的降低重构误差,提高算法的泛化能力。该仿真实验可用于神经网络及Matlab虚拟仿真实验教学,对提高学生自主学习能力,编程与调试能力起到积极作用。     

基于ZYNQ MPSOC的驾驶员面部疲劳检测设计

针对驾驶员疲劳驾驶车辆易致重大交通事故，设计了基于驾驶员面部特征疲劳检测系统。在ZYNQ平台下，利用OV5640摄像头进行图像采集，在PL端进行图像处理，在PS端的ARM中显示图像。OpenCV调用训练的人脸分类器进行人脸检测，通过分类器得到人脸图像，再由三庭五眼的特征分割出眼睛和嘴巴区域，后对分割后的图像进行图像阈值化处理和膨胀得到眼睛和嘴巴的大致轮廓。通过对分割后的眼睛和嘴巴的外接矩形的宽长比进行计算，结合PERCLOS算法、眨眼及打哈欠频率快速侦察驾驶员是否出现疲劳。在实验室模拟驾驶环境进行测试，该系统能实时准确检测到驾驶员面部疲劳状态。     

基于判别信息极限学习机的高光谱遥感图像分类

极限学习机（ELM）以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用,然而在高光谱遥感图像分类中,极限学习机算法不能较好地利用数据蕴含的判别信息,限制了ELM的分类性能。为此,提出一种基于判别信息极限学习机（IELM）,IELM继承了极限学习机的优势,并在一定程度上解决了极限学习机在有限高光谱遥感图像数据样本中学习不充分的问题。高光谱遥感图像分类实验结果表明,该算法具有较好的分类效果。     

基于ResNet-50与Bi-LSTM的驾驶员疲劳检测算法研究

疲劳驾驶是车祸的主要原因之一。针对现有面部疲劳检测模型存在对车内光照与面部遮挡敏感,系统疲劳检测准确低、泛化力弱,提出一种驾驶员疲劳检测算法,旨在对驾驶员面部多特征进行疲劳检测,提升网络泛化性与准确度。通过MTCNN定位人脸和人脸关键点,剪裁具有面部疲劳特征的图像,输入ResNet-50网络进行空间特征提取人脸局部疲劳水平,将疲劳水平串联输入Bi-LSTM网络进行时间特征提取,通过自适应特征融合算法对时间特征进行特征融合,通过分类器对整个视频进行疲劳分类。结果表明,该算法在YawDD疲劳检测准确率91.38%,在NTHU-DDD准确率达到89.36%;与主流的疲劳检测算法相比较,该方法准确度更高泛化能力更强。     

疲劳驾驶监测和识别方法研究

本文研究了驾驶员疲劳驾驶时的不同特征表现以及监测和识别疲劳驾驶的原理和方法。通过对比分析,指出各类方法的优缺点,提出了疲劳驾驶监测和识别技术的发展趋势。最后,本文建立了基于模糊算法的疲劳驾驶识别系统。实验结果表明,该系统能够一定程度上判断驾驶员的疲劳状态。     

一种缩小NLOS误差提高室内跟踪精度的融合算法

针对扩展卡尔曼滤波器（EKF）在室内环境中,非视距（NLOS）传播对 EKF 跟踪性能产生很大影响这种缺陷,提出一种基于极限学习机（ELM）和 EKF 的融合方法。ELM 使用 EKF 的状态信息对测量值进行分类,确定受 NLOS 误差影响的传播路径,然后利用该路径训练的 ELM 对测量值进行校正。实验结果表明,该算法与传统算法相比精确度提高了 43.2%,可以有效缩小 NLOS 误差。     

基于人体骨架信息提取的学生课堂行为自动识别

利用计算机视觉技术和机器学习技术对学生课堂行为进行自动识别,是过程性评价的一种新方法,近年来逐渐引起了研究者的关注。文章以监控设备拍摄的实际课堂教学视频为数据源,采集、标注了学生课堂行为数据,提取了学生的人体骨架信息。在此基础上,文章采用Boosting算法和卷积神经网络算法,对基于这两类不同机器学习算法的5种模型进行了学生课堂行为自动识别准确率实验。实验结果表明,在学校教室这种识别比较困难的场景,基于人体骨架信息提取的学生课堂行为自动识别可以达到较高的精度,其中基于Boosting算法的XGBoost模型识别准确率最高。文章的研究推动了计算机视觉技术和机器学习技术的进一步应用,有助于解决学生课堂行为自动识别难题,并助力教师优化教学策略、提高教学效率。     

基于脑电信号与集成分类器的心理负荷评估

为了精确评估个体心理负荷状态,需要获取目标脑电信号数据,脑电信号是评估脑力负荷变化的重要指标。机器学习和神经网络越来越多地用于脑力负荷分类。利用脑电信号特征可在时域和频域中提取突出信息。因此提出一个结合支持向量机（SVM）与超限学习机（ELM）的混合型脑力负荷分类框架。其中支持向量机作为成员分类器,可在高维EEG特征中查找隐藏信息|超限学习机用于融合成员分类器的输出。将ELM-SVM模型与经典脑力负荷分类器进行比较,得出该模型训练精度准确率为1,且测试精度提升0.1个百分点。     

一种改进的带冗余项的LCD多行选址算法及其实现

提出了一种带有冗余项的多行选址驱动算法及电路实现方案,其适用于液晶显示驱动芯片。算法通过在行调制矩阵中增加冗余行,在显示数据矩阵中增加冗余数据,从而减少了列驱动电平数。此外,还提出了本算法的实现电路。实验结果表明,在液晶显示驱动芯片中,该算法能降低30%的驱动功耗。     

基于神经网络的数字广播信号无线定位算法(英文)

为了提高非视距(NLOS)环境下无线定位的准确性和可靠性,提出了一种利用数字广播信号进行移动台定位的神经网络方法.该方法利用神经网络的学习特性和逼近任意非线性函数的能力,建立到达时间(TOA)和到达时间差(TDOA)测量数据与坐标之间的映射关系.将神经网络的连接权值作为非线性动态系统的状态量进行估计,用基于扩展卡尔曼(EKF)的实时神经网络训练算法来训练多层感知器网络.由于基于EKF的训练算法给出的是连接权值的近似最小方差估计,其收敛性要优于误差反向传播(BP)算法.仿真结果表明,该算法在NLOS环境下有较高的定位精度,性能优于BP基的神经网络算法和最小二乘算法;且该定位方法不依赖于特定的NLOS误差分布,也无需视距(LOS)和非视距识别.     

基于生物信号的远程学习过程监控系统研究

学习过程监控是远程教育的关键环节。学习者在不同学习状态下,脑电波、脉搏、血压、皮温等生物信号会有所不同。基于生物信号采集的远程学习过程监控系统,利用生物传感器采集学习者在线学习时的生物信号,一方面将不同学习者呈现出的生物信号特征分类,建立生物信号分类数据库;另一方面,将动态采集的学习者生物信号通过蓝牙等无线传输方式输入学习终端,再通过Internet输入到远程学习管理中心,通过系统分析软件将采集到的生物信号与学习者生物信号分类数据库进行对比,以获得学习者的实时学习状态,为教师干预和学习者学习提供及时、有针对性的支持服务。基于眼动信号监控学习者疲劳状态的实验证明,利用生物信号采集技术对远程学习过程进行监控,有助于管理者掌握学习者的学习状态,并据此提供个性化学习过程和学习资源支持服务。     

一种基于智能手机的疲劳驾驶报警系统

针对汽车疲劳驾驶提醒装置价格高、安装复杂的问题,提出了一种疲劳报警的新方法———开发一种软件实现智能手机疲劳驾驶提醒功能;提出对PERCLOS、眨眼频率、眼睛闭合速度等四种疲劳判断方法进行加权求和的判断法,提高了疲劳判断的精度和灵敏度;成功制作了软件图标、窗体和报警逻辑.     

Support Vector Machine for mechanical faults classification

INTRODUCTION Support Vector Machine (SVM) is a relativelynew soft computing method based on statisticallearning theory presented by Vapnik (1995). In SVM,original input space is mapped into a high dimen-sional dot product space called feature space in whichthe optimal hyperplane is determined to maximize thegeneralization ability of the classifier. The optimalhyperplane is found by exploiting a branch ofmathematics, called optimization theory, and re-specting the insights provided by …     

Reduced Expanding Load Method for Simulation-Based Structural System Reliability Analysis

The current situation and difficulties of the structural system reliability analysis are mentioned. Then on the basis of Monte Carlo method and computer simulation, a new analysis method reduced expanding load method (RELM) is presented, which can be used to solve structural reliability problems effectively and conveniently. In this method, the uncertainties of loads, structural material properties and dimensions can be fully considered. If the statistic parameters of stochastic variables are known, by using this method, the probability of failure can be estimated rather accurately. In contrast with traditional approaebes,RELM method gives a much better understanding of structural failure frequency and its reliability index β is more meaningful. To illustrate this new idea, a specific example is given.     

适用于数据分类的极限学习机优化算法

针对极限学习机参数优化问题,提出量子遗传算法优化极限学习机的方法（QGA-ELM）。在该方法中,对ELM的输入权值和隐含层阈值采用量子比特编码,并将其映射为QGA的染色体,QGA的适应度函数为对应ELM的分类精度;通过QGA的量子旋转门优化出输入权值与隐含层阈值,以此训练出分类精度更高的ELM,从而改善ELM的泛化性能。通过ELM和QGA-ELM对数据集的仿真结果对比表明,QGA-ELM有效地提升了ELM网络的分类精度。