由于障碍物遮挡、设备感应不稳定等因素,区域监控中易产生监控盲区,导致移动媒介存在预警不准确问题.提出一种自适应窗口的盲区数据预警方法(blind area data warning method,BDWM),该方法根据感知状况、约束关系建立移动区域数据预警...
详细信息
由于障碍物遮挡、设备感应不稳定等因素,区域监控中易产生监控盲区,导致移动媒介存在预警不准确问题.提出一种自适应窗口的盲区数据预警方法(blind area data warning method,BDWM),该方法根据感知状况、约束关系建立移动区域数据预警模型及预警机制,调整预警阈值,降低盲区的错误预警率,并使用有限状态机推理有效预警状态.将预警机制应用于RFID数据预警实验,实验结果表明,BDWM可有效降低监控盲区的预警误差率.
基于VITE(vector integration to endpoint)点对点运动轨迹生成模型,提出一种具有生物学意义的手臂抓取神经网络模型,用以解释延伸和抓取过程中手臂运动、抓取角度以及手掌朝向三个组件之间的时空协调问题。模型主要利用基底神经节丘脑...
详细信息
基于VITE(vector integration to endpoint)点对点运动轨迹生成模型,提出一种具有生物学意义的手臂抓取神经网络模型,用以解释延伸和抓取过程中手臂运动、抓取角度以及手掌朝向三个组件之间的时空协调问题。模型主要利用基底神经节丘脑皮层环路门控调节组件通道的全局运动速度,设置可进行空间状态信息交流的耦合神经元动态调节抓握孔径,从而实现手臂延伸与抓取运动的时空协调,为更好地进行3D手势跟踪奠定基础。模型改变了门控信号的输入方式,优化了最大抓取孔径的更新方法,还增设了用于检测组件目标状态扰动情况的监督细胞。相同条件下的仿真结果表明,相较于原孔径组件的二目标值给定法,新模型的运动调节时间缩短了13%,较好地体现了抓取运动的动力学关键特征,增强了运动协调性和抗干扰性。
排序学习(learning to rank)是一种机器学习与信息检索的交叉学科,可以从大量的包含标记的训练集中自动学习排序模型。特征选取对于排序模型的预测结果有很大的影响,而排序学习对其特征领域的研究却很少。针对这一问题,提出一种特征处...
详细信息
排序学习(learning to rank)是一种机器学习与信息检索的交叉学科,可以从大量的包含标记的训练集中自动学习排序模型。特征选取对于排序模型的预测结果有很大的影响,而排序学习对其特征领域的研究却很少。针对这一问题,提出一种特征处理方法:利用基于主成分分析(PCA)的特征重组方法扩展数据集,然后在扩展后的数据集上进行排序算法隐含的特征选择。在LETOR4.0数据集(MQ2007,MQ2008)上基于排序评测函数对List Net排序算法进行验证。通过对比特征处理前后的排序性能差异,以及添加新特征的个数对排序结果的影响,实验结果表明,经过特征处理的利用排序学习算法构建的排序函数一般要优于原始的排序函数。
暂无评论