检索结果-内蒙古大学图书馆

第十四届中国卫星导航年会

作者：李珍妮秦亚航谢侃王千明 Banage T.G.S.Kumara 谢胜利广东工业大学自动化学院粤港澳离散制造智能化联合实验室基于物联网技术的离散制造智能化学科创新引智基地泰斗微电子科技有限公司萨伯勒格穆沃大学应用科学学院计算机和信息系统系智能检测与制造物联教育部重点实验室广东省物联网信息技术重点实验室

城市复杂场景下高精度卫星定位是国际难题。多径效应是导致卫星导航定位偏移的主要原因。恒星日滤波法、多径半天球映射法等方法存在计算量大、低效等问题。人工智能技术为解决复杂环境下的非直射信号识别提供新途径。但是训练数据库构... 详细信息

城市复杂场景下高精度卫星定位是国际难题。多径效应是导致卫星导航定位偏移的主要原因。恒星日滤波法、多径半天球映射法等方法存在计算量大、低效等问题。人工智能技术为解决复杂环境下的非直射信号识别提供新途径。但是训练数据库构建困难,且需要大量标签数据等。为此,本文搭建了一种长短时记忆结构卷积稀疏自编码的无监督深度学习模型,对城市峡谷环境下收集的无需标签的北斗卫星长时间序列进行高效的非直射信号特征提取,进而实现非直射信号的有效识别。首先,为提取北斗卫星信号的时序相关信息,本文提出使用长短期记忆(LSTM)模块捕获北斗卫星长时间序列信号的时间相关性,有效的挖掘时间序列的时序变化规律。其次,针对长时间北斗卫星序列信号训练样本冗余维度高且需要大量标签数据的问题,本文提出采用一种卷积稀疏自编码方法,通过对信号编码再解码的自我学习方式去学习输入数据的压缩表示,从而实现长时间北斗卫星序列信号的降维和无监督的特征提取。最后,基于构建的长短时记忆结构卷积稀疏自编码的无监督深度学习模型,提取高度角、载波噪声比、伪距残差等北斗卫星信号特征,实现了城市峡谷环境下收集的无标签北斗卫星长时序列的非直射信号有效识别。本文在真实数据集上进行了测试,采用u-bloxF9高精度GNSS模块在广州塔附近的CBD城市峡谷中收集多种典型环境数据。通过实验验证,将提出模型的性能指标与支持向量机、决策树、CNN模型进行比较。结果表明,设计的模型在分类精度上从80%提高到88.03%。

关键词：卷积稀疏自编码无标签北斗卫星导航系统非直射信号城市峡谷

来源：评论

学校读者我要写书评

暂无评论

基于运动想象的脑-机接口关键技术研究及实现

基于运动想象的脑-机接口关键技术研究及实现

引用

作者：谢志荣重庆邮电大学

学位级别：硕士

基于运动想象的脑机接口(Brain-Computer Interface,BCI)是一种新颖的人机交互系统,该系统通过完成对输入脑电信号的解析,将用户的运动意图解码并转换为可以控制外部智能设备的计算机指令,来实现大脑对外部设备的控制。然而脑电信号(Ele... 详细信息

基于运动想象的脑机接口(Brain-Computer Interface,BCI)是一种新颖的人机交互系统,该系统通过完成对输入脑电信号的解析,将用户的运动意图解码并转换为可以控制外部智能设备的计算机指令,来实现大脑对外部设备的控制。然而脑电信号(Electroencephalongram,EEG)具有不平稳且易受干扰等特点。如何有效地去除脑电信号中的伪迹,提取脑电信号中有效的特征信息并完成分类成为脑电识别研究的关键。因此,本文针对运动想象脑电的伪迹去除及脑电信号的特征识别和系统实现问题展开研究具有重要的实际应用价值。首先,对目前BCI技术的国内外研究现状进行了阐述。完成了对脑电信号特性和BCI系统的基本框架及其关键技术的介绍,并分析了脑电信号处理方法及目前BCI技术的研究难点。最后对基于运动想象的人机交互系统整体框架进行了设计。其次,针对传统眼电伪迹去除方法需要加入眼电(Electro-oculogram,EOG)伪迹作为参考信号,并且眼电伪迹去除不完全的问题,提出了一种基于卷积稀疏自编码(Convolutional Sparse Autoencoding,CSAE)的方法来去除脑电信号中的眼电伪迹。该方法在稀疏自编码结构的基础上加入卷积操作,利用卷积代替原本的内积,在编码阶段通过卷积池化的方式去除脑电信号中的眼电伪迹,在解码阶段通过反向池化卷积来还原去噪后的纯净脑电信号。通过实验对比,证明了本文所改进的卷积稀疏自编码方法能对脑电信号中的眼电伪迹进行有效去除。进一步,针对因脑电信号特征信息不足导致四类(左手、右手、舌头和脚)运动想象脑电识别率偏低的问题。提出一种基于LFFCNN-GRU的脑电识别方法。该方法以层间特征融合卷积神经网络(Inter-layer feature fusion convolutional neural network,LFFCNN)和门控循环单元网络(Gated Recurrent Unit Networks,GRU)为基本前提,将相邻两卷积层提取到的局部特征通过特征融合模块进行融合,然后将得到的丰富特征输入到网络的下一层增强边界的特征信息,之后利用门控循环网络模块处理深度序列信息后结合批归一化(Batch Normalization,BN)算法进行信息整合,最后通过softmax完成分类。经实验验证,相比于传统的卷积神经网络(Convolutional Neural Networks,CNN)方法,LFFCNN-GRU能更有效地提取脑电特征信息,提高了四类运动想象脑电的识别率。最后,设计并搭建了基于运动想象的智能人机交互系统,并将所改进的眼电电伪迹去除算法和模式识别方法嵌入到系统中,通过分析受试者控制智能轮椅行走“8”字形轨迹消耗的时间与行走轨迹来验证算法。并与使用传统方法控制的系统进行实验比较。结果显示,使用本文改进方法的系统行走轨迹更为稳定,且走完一圈所需要的时间更短,验证了本文改进算法以及搭建系统的有效性。

关键词：脑机接口运动想象卷积稀疏自编码卷积神经网络智能人机交互系统

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络的人脸表情识别研究

引用

软件导刊 2018年第1期17卷 28-31页

作者：李思泉张轩雄上海理工大学光电信息与计算机工程学院上海200093

随着人机交互技术和机器学习技术的发展,人脸表情识别技术逐渐成为研究热点。针对传统人脸表情识别算法鲁棒性差、表情特征提取能力不足的问题,提出一种改进的基于卷积神经网络的人脸表情识别算法。首先对人脸图像进行预处理,检测并分... 详细信息

随着人机交互技术和机器学习技术的发展,人脸表情识别技术逐渐成为研究热点。针对传统人脸表情识别算法鲁棒性差、表情特征提取能力不足的问题,提出一种改进的基于卷积神经网络的人脸表情识别算法。首先对人脸图像进行预处理,检测并分割出人脸关键点的部分图像,然后输入到包含卷积神经网络通道和卷积稀疏自编码(CSAE)预训练通道的双通道模型中。其中卷积神经网络通道部分使用了批量正则化(Batch Normalization)和ReLU激活函数,加快了模型训练速度,解决了梯度消失问题,同时增加了模型的非线性表达能力。通过引入Dropout技术,解决了网络的过拟合问题。在另一个通道,对输入的人脸表情图像增加了卷积稀疏自编码进行无监督预处理。实验结果表明,该算法在JAFFE、CK+人脸表情数据集上均获得了较好的识别效果。

关键词：人脸表情识别卷积神经网络卷积稀疏自编码特征提取无监督预处理

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：