高校园区用水作为城市用水的重要组成部分,在人均用水量方面明显高于城镇居民用水量,因此对高校园区用水量进行科学合理的监管,具有重要的节水意义。现如今高校园区供水主要依靠人工经验决策,但人工经验决策供水误差较大,常常导致水管爆裂、用水高峰供水不足等情况发生。本文以河北工程大学为研究对象,首先分析了历史供水数据的特征、分布、影响因子,提出了一种基于深度学习的混合需水预测模型。为进一步提升校园的短期供水精度,将混合需水预测模型封装成Falsk服务接口应用于水务平台中。本文主要研究内容如下:(1)针对短期需水预测研究中存在的单步预测和多步预测精度较低问题,提出一种基于SSA-Conv LSTM-LSTM混合模型的短期需水预测方法。由于校园历史相关数据样本中存在奇异值,因此在模型训练前需对样本数据进行数据预处理。针对校园用水趋势受用水主体的用水行为规律影响,用水趋势在时间维度上呈现出多周期和多峰值的特征。为提取上述特征,经过理论推导发现Conv LSTM(Convolutional Long Short Term Memory,Conv LSTM)具备提取时空特征提取能力,虽然Conv LSTM可以提取到一定的时空规律性,但预测精度仍有提升空间。为进一步提升预测精度,在Conv LSTM基础上增加LSTM(Long Short Term Memory,LSTM)网络构成Conv LSTM-LSTM混合模型,然而混合模型参数众多导致调参困难。对于混合模型调参困难问题,利用麻雀搜索算法(Sparrow Search Algorithm,SSA)优化Conv LSTM-LSTM混合模型中的卷积核数目和隐藏神经元数等超参数。通过仿真验证表明基于SSA-Conv LSTM-LSTM混合模型的短期需水预测方法能够有效挖掘校园园区用水趋势,并可以精确地预测出短期校园需水量。(2)针对短期校园供水量误差大,水资源供需失衡问题,搭建了基于Flask框架的智慧校园节水系统。该系统结合SSA-Conv LSTM-LSTM预测模型和园区水务管理业务进行了功能的设计和开发。系统基于历史数据,并依靠预测模型实现校园需水量的预测及供水预警功能。除此之外系统依靠预测模型实现对未来多天的需水量和需水趋势的预测,从而为校园短期供水规划提供数据依据。系统测试表明该智慧校园节水系统运行安全稳定,能够有效提高校园水务管理的智慧化水平。
手势动作识别是指通过传统机器学习或深度学习等技术,对从摄像头、传感器等设备获取的手势运动数据进行动作类型的分类。本文旨在对基于骨骼数据的手势动作识别方法开展研究,以增强人机交互的体验。骨骼数据作为人体三维姿态数据,能够有效反映手势动作的时空间信息,此外骨骼数据信息紧凑、处理高效、对计算资源需求低、且具有较强的环境鲁棒性。凭借这些优势,基于骨骼数据的手势动作识别备受关注,具有良好的发展前景。本文基于骨骼数据分别从传统机器学习技术、深度学习技术出发对手势识别开展研究。论文主要内容有以下几个方面:
构建了基于改进动态时间规整(Dynamic Time Warping,DTW)算法的交通指挥手势识别模型。考虑交通指挥手势特点提取骨骼角度特征和关节点距离特征进行对比分析。由于交通指挥手势具有“模板化”,“少样本”等特点,利用DTW算法结合Kinect相结合进行手势识别。考虑到DTW算法会出现奇点问题,引用序列的形状特征和数值特征对DTW算法改进。同时考虑到界外未知动作的影响,在结果判决方面提出一种利用匹配距离序列波形之间相关系数进行动作判别的方法。实验结果表明,在交通指挥手势识别方面,采用角度特征相比于关节点距离特征准确率更高,改进DTW算法较于DTW算法及长短期记忆神经网络(Long Short-Term Memory,LSTM)准确率更高且改进DTW算法较DTW算法适用性更好。
构建了基于结合卷积长短期记忆神经网络(Convolutional Long Short-Term Memory,ConvLSTM)和卷积神经网络(Convolutional Neural Network,CNN)的手势动作识别模型。考虑手势运动特点,将笛卡尔坐标以及全局运动信息作为手势特征,利用不同的特征融合方法结合ConvLSTM网络进行消融实验对比分析。针对几种简单的特征融合方法结合ConvLSTM网络进行手势识别不能提高识别性能问题,添加正则化技术并利用CNN对ConvLSTM输出特征图进一步处理从而使得识别率达到先进水平。根据ConvLSTM网络的数据输入形式不同将手势特征数据的输入形式划分三种策略,分别结合构建的网络模型进行手势识别并与几种先进手势识别方法对比分析。实验结果表明本文构建的网络模型解决了简单特征融合利用ConvLSTM网络不能提高手势识别性能问题,在Dynamic Hand Gesture 14/28(DHG14/28)数据集上面较于几种先进的方法取得更为出色的效果,分别在DHG14和DHG28数据集上面准确率达到95.00%和92.14%,且本论文模型对DHG数据集手势识别更加均衡。
暂无评论