检索结果-南通市图书馆

基于双流自适应图卷积网络的管制员睡岗行为识别

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

安全与环境学报 2024年第2期24卷 596-601页

作者：王超王志锋李雯清中国民航大学空中交通管理学院天津300300

为识别空中交通管制员的睡岗行为,减少管制差错,保障航空器飞行安全,提出了一种基于双流自适应图卷积网络的管制员睡岗行为识别方法。该方法设计双流网络分别处理管制员骨架的一阶信息和二阶信息,实现对骨架数据的充分提取;通过自适应... 详细信息

为识别空中交通管制员的睡岗行为,减少管制差错,保障航空器飞行安全,提出了一种基于双流自适应图卷积网络的管制员睡岗行为识别方法。该方法设计双流网络分别处理管制员骨架的一阶信息和二阶信息,实现对骨架数据的充分提取;通过自适应学习的骨骼拓扑连接矩阵,挖掘管制员不同关节之间的功能连接关系;同时在卷积层引入时空通道注意力机制,增强管制员睡岗行为识别模型在时间、空间、通道3个方向提取重要信息的能力。仿真结果表明,该方法能有效识别管制员3种睡岗行为,相较于传统的时空图卷积网络,识别准确率提高了3.08百分点,达到95.03%,可以提高民航运行安全管理水平。

关键词：安全社会工程睡岗行为空中交通管制员自适应图卷积网络行为识别

在线全文

学校读者我要写书评

暂无评论

基于自适应图卷积网络的人体动作识别研究

基于自适应图卷积网络的人体动作识别研究

作者：辛华磊郑州大学

学位级别：硕士

人体动作识别是计算机视觉领域的重要研究方向之一,在人机交互和自动驾驶等众多领域有广泛的应用前景。近年来,由于骨架序列数据的轻量性以及对环境变化的鲁棒性,基于骨架序列的动作识别方法受到了广泛关注。图卷积网络(GCN)在非欧几里... 详细信息

人体动作识别是计算机视觉领域的重要研究方向之一,在人机交互和自动驾驶等众多领域有广泛的应用前景。近年来,由于骨架序列数据的轻量性以及对环境变化的鲁棒性,基于骨架序列的动作识别方法受到了广泛关注。图卷积网络(GCN)在非欧几里德结构的数据建模方面具有天然优势,可以充分利用图形数据的空间几何结构信息,已应用于骨架序列动作识别方面并取得了很大进展。本文主要对基于自适应图卷积网络(AGCN)的人体骨架序列动作识别方法进行研究,主要研究工作和创新点如下:第一,提出一种多分区和外部注意的自适应图卷积网络(ME-AGCN)模型。针对自适应图卷积网络按照固定的空间配置分区策略进行图卷积运算无法充分建立关节连接关系的问题,本文设计一种多分区策略,在空间配置分区策略的基础上探索最优的分区个数,建立更丰富的关节连接关系,更好地适应不同动作的变化特征。针对时间卷积网络(TCN)分层聚合局部时间信息无法捕获序列的长期时间依赖关系的问题,本文在模型中引入外部注意力网络(EANet),通过两个记忆模块获取样本任意位置的相关性,实现对序列的长期时间依赖关系建模。在国际公认的标准数据集上的实验表明所提ME-AGCN模型具有较高的识别准确率。第二,提出一种时间协方差池化和多分区共享注意的自适应图卷积网络(TCP-MSAGCN)模型。针对网络末端使用全局平均池化(GAP)对分类特征进行归一化忽略了目标特征时空信息的问题,本文利用时间协方差矩阵保留分类特征的时空信息,并使用快速矩阵功率归一化技术充分利用协方差矩阵的空间几何结构信息。同时,为了避免AGCN的注意力机制在每个分区内重复计算导致数据冗余和增加计算复杂度的问题,本文设计了一种共享注意力机制,在图卷积运算之外计算关节注意力图,并在每个分区内共享。实验表明所提TCP-MSAGCN模型与现有模型相比有较好的识别效果。

关键词：自适应图卷积网络多分区外部注意力网络时间协方差池化共享注意力机制

变分模态分解与自适应图卷积门控循环网络的交通流量组合预测模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

武汉大学学报（信息科学版） 2024年第12期49卷 2329-2341页

作者：龚循强邱万锦吕开云张通张瑞罗升东华理工大学自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室江西南昌330013 东华理工大学测绘与空间信息工程学院江西南昌330013 江西省地质调查勘查院基础地质调查所江西南昌330025 西南交通大学高速铁路安全运营空间信息技术国家地方联合工程实验室四川成都611756

准确的交通流量预测可以有效地提高交通效率和安全性,是智慧交通系统的一个研究热点话题。然而,传统的静态图结构在捕捉交通流量的全局时空信息存在局限性,交通流量短时间内的波动造成流量的非平稳性也会影响交通流量预测的准确性。为此... 详细信息

准确的交通流量预测可以有效地提高交通效率和安全性,是智慧交通系统的一个研究热点话题。然而,传统的静态图结构在捕捉交通流量的全局时空信息存在局限性,交通流量短时间内的波动造成流量的非平稳性也会影响交通流量预测的准确性。为此,提出了一种结合变分模态分解(variational mode decomposition,VMD)和自适应图卷积门控循环网络的交通流量预测模型。首先,考虑到交通流量的非平稳性,利用VMD对时间序列进行分解,得到平稳的本征模态函数(intrinsic mode function,IMF)交通流量分量。然后,模型通过自适应邻接矩阵和图卷积门控单元动态地学习节点IMF分量间复杂的时空特性,从而更好地表征交通流量的变化趋势。最后,重构模型对IMF分量的预测值,得到实际的交通流量预测结果。在PeMS04数据集的实验结果表明,所提模型在平均绝对误差、均方根误差和平均绝对百分比误差等指标上均优于基线次优模型,提升幅度超过33%,与消融模型相比,性能提升也达到15%以上。因此,所提模型在交通流量预测任务中具有显著的优势和应用前景。

关键词：智能交通交通流量预测变分模态分解自适应图卷积网络门控循环单元

面向高速公路流量预测的自适应时空图卷积循环神经网络

在线全文

学校读者我要写书评

暂无评论

软件工程 2023年第9期26卷 33-37页

作者：阮鸿柱王金宝杜梦辉云南省综合交通发展中心云南昆明650031 北京交通大学北京100044

为更全面地建模交通数据中的空间相关性,实现更准确地预测高速公路流量,提出一种自适应时空图卷积循环神经网络。利用扩散图卷积和自适应邻接矩阵整合成的自适应图卷积网络建模交通数据中的空间相关性,采用门控循环单元学习交通数据中... 详细信息

为更全面地建模交通数据中的空间相关性,实现更准确地预测高速公路流量,提出一种自适应时空图卷积循环神经网络。利用扩散图卷积和自适应邻接矩阵整合成的自适应图卷积网络建模交通数据中的空间相关性,采用门控循环单元学习交通数据中的时间相关性,实现多时间步车流量预测。基于桂林市高速公路网真实交通数据集的实验结果表明,相比用于对比的最优方法,该方法的三个误差评价指标,即平均绝对误差、均方根误差、平均绝对百分比误差分别降低了约17.6%、18.6%和10.8%,优于用于对比的方法,该方法可以更准确地预测高速公路的流量。

关键词：智能交通流量预测自适应图卷积网络时空相关性

维普期刊数据库博看期刊

基于姿态估计及图卷积神经网络的人体行为识别系统的设计与实现

在线全文

学校读者我要写书评

暂无评论

基于姿态估计及图卷积神经网络的人体行为识别系统的设计与实现

作者：岳丽莹石河子大学

学位级别：硕士

在人机交互、视频监控、健康医疗等众多应用中,对人体行为进行检测与分析的重要性日益突出,人们对人体行为进行识别与模型化的研究也越来越重视。为解决RGB图像行为识别算法存在的诸多问题,如受到外界环境因素的影响、图像的色彩变化以... 详细信息

在人机交互、视频监控、健康医疗等众多应用中,对人体行为进行检测与分析的重要性日益突出,人们对人体行为进行识别与模型化的研究也越来越重视。为解决RGB图像行为识别算法存在的诸多问题,如受到外界环境因素的影响、图像的色彩变化以及噪音的影响,本文在基于骨架序列的数据上进行行为识别算法的研究。随着低成本、高精度的深度摄像头的广泛应用,以及对人体骨架进行精确定位的方法越来越简单,因此基于骨架的行为识别逐渐成为研究重点。运用骨架进行动作识别过程中,无论是环境光线,还是背景,都不会对结果造成干扰。除了提供高质量的骨架数据,它们的结构清晰、操作便捷,可以大大减少对计算力的消耗。本文使用人体骨架数据对其进行处理,并应用于改进后的网络模型,从而实现了对人体动作的识别。本文进行了一系列研究,探索了如何获取更全面的特征信息,提取其深度特征以及如何更好地利用骨架数据的信息。主要的研究内容如下:(1)提出了一个基于全局关系的自适应图卷积网络(Global Adaptive Graph Convolutional Network,GA-GCN),它可以有效地捕捉空间特征和关节间的全局依赖关系,从而达到更加准确的识别效果。为了更好地识别出空间域中的特征,该网络不仅在原有的物理结构的关系连接上进行了改进-增加了新的关系连接边连接,而且还引入了空间注意力模块,以便更准确地捕获出空间域中的判别性特征。在Kinetics数据集上,提出的网络相较于基线网络在Top-1的准确性上提升了1.4%,在Top-5的准确性上提升了2.3%,证明了算法的有效性和竞争优势。(2)提出了一个基于时空注意力机制的全局自适应图卷积网络(Spatio-Temporal Attention Mechanism and Global Adaptive Graph Convolutional Network,STAM-GAGCN)。它利用时空注意力机制,通过多尺度时间卷积技术,有效地捕捉和提取时空特征,并且可以有效地从时间和空间两个维度搜索重要的特征,通过将时间和空间注意力模块融合在一起,更好地实现人体骨架的行为识别。本文从原始骨架数据中提取出关节和骨骼的相关信息,从而构建出一个双流网络模型,它能够有效地将两者的预测结果进行加权融合,从而更准确地对行为进行预测分类。在Kinetics数据集上,与先进方法相比较有了不小的提升,相较于基线网络在Top-1的准确性上提升了3%,在Top-5的准确性上提升了3.4%,证明了算法的有效性和竞争优势。(3)实现了基于骨架的人体行为识别系统。首先对系统进行总体设计,之后进行各个模块的设计最终实现系统的各个功能并进行展示。系统通过摄像头采集或者视频文件上传,经过Open Pose人体姿态估计技术,将视频序列转化为骨骼序列,再通过封装好的行为识别算法,完成识别的全过程。

关键词：行为识别人体骨架注意力机制自适应图卷积网络

结合多特征嵌入和多网络融合的中文医疗命名实体识别

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电子与信息学报 2023年第8期45卷 3032-3039页

作者：雷松泽刘博王瑜菲单奥奎西安工业大学计算机科学与工程学院西安710021

在医疗领域中,实体识别能够从大规模电子病历文本中提取有价值信息,由于缺乏定位实体边界的特征以及存在语义信息提取不完整等问题,中文的命名实体识别(NER)实现更加困难。该文提出一种针对中文电子病历的结合多特征嵌入和多网络融合的... 详细信息

在医疗领域中,实体识别能够从大规模电子病历文本中提取有价值信息,由于缺乏定位实体边界的特征以及存在语义信息提取不完整等问题,中文的命名实体识别(NER)实现更加困难。该文提出一种针对中文电子病历的结合多特征嵌入和多网络融合的模型(MFE-MNF)。该模型嵌入多粒度特征,即字符、单词、部首和外部知识,扩展字符的特征表示,明确实体边界。将特征向量分别输入到双向长短期记忆神经网络(BiLSTM)和该文构建的自适应图卷积网络等双通路中,全面深入地捕获上下文语义信息和全局语义信息,缓解语义信息提取不完整问题。在CCKS2019和CCKS2020数据集上进行实验验证,结果表明,相比于传统实体识别模型,该文模型能够准确且有效地提取实体。

关键词：命名实体识别多特征嵌入多网络融合自适应图卷积网络

在线全文

学校读者我要写书评

暂无评论

基于自适应时空网络的SDN流量预测模型

光通信技术 2024年第6期48卷 34-39页

作者：刘月张慧蔡安亮沈建华南京邮电大学通信与信息工程学院南京210003 深圳赛柏特通信技术有限公司广东深圳518000

为了提高软件定义网络(SDN)流量预测的准确率,提出了一种基于自适应时空网络的SDN流量预测模型。该模型通过采用自适应图卷积神经网络来捕捉SDN流量的空间相关性,利用门控循环单元来捕捉时间上的变化趋势,并针对SDN流量的高度动态特性... 详细信息

为了提高软件定义网络(SDN)流量预测的准确率,提出了一种基于自适应时空网络的SDN流量预测模型。该模型通过采用自适应图卷积神经网络来捕捉SDN流量的空间相关性,利用门控循环单元来捕捉时间上的变化趋势,并针对SDN流量的高度动态特性引入了自回归模块。实验结果表明,所提出的SDN流量预测方法相比现有的基线模型能够识别出更多的流量特征,同时表现出更优的预测性能。

关键词：软件定义网络流量预测自适应图卷积网络门控循环时空相关性

在线全文

学校读者我要写书评

暂无评论

面向复杂场景的轨迹预测技术研究与实现

面向复杂场景的轨迹预测技术研究与实现

作者：刘哲电子科技大学

学位级别：硕士

随着科学技术的发展,各种各样定位设备不断涌现,可获取到轨迹数据的数量与种类迅速增长。对获取到的轨迹数据进行储存,分析在行为识别、交通规划、城市安全与防控等方面都可以发挥重要作用。其中,对人类轨迹的研究可以获取行为方式、个... 详细信息

随着科学技术的发展,各种各样定位设备不断涌现,可获取到轨迹数据的数量与种类迅速增长。对获取到的轨迹数据进行储存,分析在行为识别、交通规划、城市安全与防控等方面都可以发挥重要作用。其中,对人类轨迹的研究可以获取行为方式、个人偏好等关键信息,对许多领域的进一步研究都有推进作用。因此研究行人的轨迹预测算法具有重要意义。传统的轨迹预测方法基于数学统计模型对行人的运动模式建模难以适用于复杂场景。复杂场景中存在障碍物阻碍、行人数量多及关系变化等干扰因素,现有方法难以有效处理这些因素对于预测过程的影响。同时,由于轨迹预测任务中往往需要预测多个时刻,预测过程所存在的误差累积现象也需要有效的解决方法。为此,本文提出了一种新的轨迹预测框架,能够在预测过程中学习行人间的关系变化,同时在预测过程中减少误差累积现象对预测结果所造成的影响。本文的主要贡献如下:(1)本文提出了基于注意力机制的轨迹预测方法。针对轨迹预测任务中长间隔时序特征难以有效利用的问题,本文提出了基于注意力机制的轨迹预测方法,在特征层面突出关键时刻轨迹特征,通过计算不同历史时间点对预测时间点的影响系数,融合历史时刻的轨迹特征,降低预测过程中误差累积现象对预测结果造成的影响。(2)本文提出了基于自适应图卷积网络的轨迹预测方法。针对轨迹预测任务中行人间关联关系复杂多变,难以准确建模行人交互的问题,在之前工作的基础上,加入了基于自适应图卷积网络的行人交互建模方法,采用自适应图卷积网络对行人交互进行建模,学习行人间关联关系,融合行人轨迹特征并对此方法进行了针对性的证明实验。(3)本文实现了行人轨迹预测系统。为验证本文方法的有效性,本文结合实际需求,设计并实现了行人轨迹预测系统,满足用户的功能需求,为用户提供视频行人轨迹预测功能。

关键词：深度学习行人轨迹预测注意力机制自适应图卷积网络

顾及时空特性和非平稳性的交通流深度预测方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

顾及时空特性和非平稳性的交通流深度预测方法

作者：邱万锦东华理工大学

学位级别：硕士

交通流预测是智能交通系统的重要组成部分,准确的交通流预测在交通管理、智能交通调度和出行规划等方面具有指导意义。受人们出行习惯、天气、道路类型和路网结构等因素的影响,交通流具有复杂的时间特性、空间特性和非平稳性,如何从大... 详细信息

交通流预测是智能交通系统的重要组成部分,准确的交通流预测在交通管理、智能交通调度和出行规划等方面具有指导意义。受人们出行习惯、天气、道路类型和路网结构等因素的影响,交通流具有复杂的时间特性、空间特性和非平稳性,如何从大量复杂、多变的交通流数据中缓解交通流非平稳性的不利影响,深入挖掘出交通流的时间特性和空间特性,并对未来交通流状态进行高精度的预测,是目前交通流预测领域亟待解决的关键问题。为此,本论文采用循环神经网络和图卷积网络等深度学习方法,研究了顾及时空特性和非平稳性的交通流深度预测方法,并将该方法用于交通速度预测和交通流量预测中。论文的主要内容如下:(1)分析交通流的时间特性、空间特性和非平稳性,为后续构建预测模型奠定基础。通过对Pe MS04数据集进行分析发现,在时间维度上,交通流量和交通速度在日、周等不同时间尺度上表现出相似的变化特征,具有日周期性、周周期性,并在工作日(周一至周五)和非工作日(周六至周日)上存在明显差异性。在空间维度上,一般情况下不同路段中的传感器所收集的交通流量和交通速度呈现出不同的变化规律,而受空间异质性的影响有时表现为相似的变化规律。另外,在不同的时间和空间上,交通流量和交通速度会出现突然地波动,呈现出很强的非平稳性。(2)研究一种顾及时间特性的长短期记忆神经网络交通速度预测方法。在考虑交通流时间特性方面,针对工作日和非工作日交通速度之间的差异性对预测精度的影响,按工作日和非工作日对交通速度数据进行特征编码,引入长短期记忆神经网络进行特征学习,构建顾及时间特性的交通速度预测模型。选取广州市交通速度数据进行实验验证,结果表明,区分工作日和非工作日时的各项评价指标都要优于不区分情况下的各项评价指标,并在早高峰(7:00-9:00)和晚高峰(17:00-19:00)将工作日和非工作日分开进行交通速度预测的精度更高。(3)研究一种顾及空间特性和非平稳性的变分模态分解(Variational Mode Decomposition,VMD)与自适应图卷积门控循环网络(Adaptive Graph Convolutional Gated Recurrent Network,AGCGRN)交通流量预测方法。针对目前大多数基于图卷积的交通流预测方法所采用的预定义静态图结构难以包含全局的空间信息,并且无法表示每个节点之间动态变化的空间相关性,引入自适应邻接矩阵建立自适应图卷积网络,并将自适应图卷积嵌入门控循环单元中,设计一种自适应图卷积门控循环网络,实现自适应学习每个节点交通流的空间特性。考虑交通流非平稳性对预测的不利影响,将VMD和所提出的AGCGRN相结合,建立一种基于VMD-AGCGRN的交通流量预测模型,降低了序列的非平稳性,有利于捕获更多节点之间隐藏的空间特性。采用Pe MS04数据集中的交通流量数据进行实验验证,并与7种基线模型进行对比。结果表明,所提出的VMD-AGCGRN模型相较其他基线模型在预测性能上均有不同程度的提升,相比次优的模型在平均绝对误差、均方根误差和平均绝对百分比误差上均降低33%以上,从而说明了该方法在交通流量预测中的可行性和优越性。

关键词：交通流预测时空特性和非平稳性深度学习长短期记忆神经网络自适应图卷积网络