基于BP神经网络的静态手势识别方法

手势识别正成为人机交互技术研究中的一种重要模式.本文针对运用摄象机和计算机视觉技术捕获来的静态手势,提出了一种手势特征提取和基于神经网络分类的手势识别方法.实验表明该方法的正确识别率可以达到98%左右,是一种非常有效的静态手势识别方法.     

基于感兴趣区域的CNN-Squeeze 交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于群组行为的大学校园楼梯及通道行人运动特征分析

为探讨不同场景中行人群组运动的微观特征,并比较不同类型群组运动差异,本文通过大学校园内楼梯上及通道内的观测实验,获取行人运动的相关数据,研究了群组大小、社会关系、运动场景和性别对群组运动的影响. 结果表明：大学校园内行人成组比例低于商场周围行人成组比例;群组成员间的交流方式等因素会影响群组构型;由于群组成员越多相互协调就越困难,所以群组规模越大,其速度越小;此外,男性群组速度大于女性群组速度,情侣间频繁的交流也会对其速度产生负面影响;就差异性而言,2 人和3 人群组间的速度差异小于单人和2 人群组间的速度差异;单个行人不同性别间的速度差异大于2 人和3 人群组不同性别间的速度差异;楼梯上单人与群组的速度差异没有通道内明显.     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

中日铁路项目国民经济评价方法比较与分析

以日本《铁路费用效益分析手册（99版）》和中国《铁路建设项目经济评价办法（第2版）》为参照,通过对比分析中日铁路项目国民经济评价方法的差异,提出日本铁路费用效益分析方法中的可借鉴之处;借鉴日本评价方法分3类界定受益群体的思路,解决我国现行方法存在的效益重复计算问题;以福利经济学和“有无对比法”作为项目评价的基本指导原则,解决我国由于评价原则模糊导致的同一项目不同评价结论的问题等。     

高速列车运行工况可视化系统的研究

介绍-种表现高速铁路运行状况的动画设计和制作方法.综合有关铁路线路各个分立数据库的内容,如:线路坡道、桥梁、隧道、车站、挖填方等,运用动画仿真技术,从纵断面的视角将各个数据库存储的线路属性参数在同一个画面上统一、关联地表现出来,达到直观便捷的表现效果.     

基于线谱特征提取的被动声纳目标识技术研究

该文针对被动声纳目标识别,着重研究了线谱特征提取方法,提出了一种自适应遗传BP算法,并用该算法训练神经网络目标分类器。经对上海上实录三类目标噪声分类识别实验结果表明,所设计的被动声纳目标识别系统具有很好的分类效果。     

源贡献的时域分析方法

本文通过对采用多输入输出模型的舰艇水下噪声系统的分析,给出时域处理的输入对输出贡献网络解的方法;其次,给出输入输出协方差矩阵的归一化处理;最后给出输入对输出贡献的偏相干处理。方法对实际数据的应用可参见文献[3]。     

高速列车噪声源声功率与速度的函数关系

为了解决既有对数经验公式无法拟合高速列车显著声源贡献率与速度的函数关系这一问题,使用轮辐声阵列进行高速列车车外声源识别试验;根据显著声源位置对列车表面进行区域划分,量化分析显著声源区域的声功率级和声功率贡献率与速度之间的关系;在既有对数经验公式的基础上,根据不同种类噪声声功率随速度的变化特性,建立新的拟合公式;结合列车噪声测试数据对新的拟合公式进行验证. 研究结果表明:列车以350 km/h运行时,下部区域对列车总辐射噪声的贡献率占70%以上,升弓区域对局部区域声功率的影响最显著,超过50%;随着速度的增长,下部区域的贡献率逐渐减小,弓网区域逐渐增大,显著声源区域的贡献率变化先快后慢,最后趋于稳定;利用新的拟合方法得出,列车声源区域的声功率级和声功率贡献率与速度的拟合度基本都在0.9以上.      

基于自回归条件异方差转换指标的非线性损伤识别

为了解决时域非线性损伤的识别问题,基于自回归条件异方差（ARCH）模型的基本理论给出了ARCH模型建模的定阶方法及模型参数估计的极大似然估计法;分析了结构非线性损伤的特性,提出了基于ARCH模型的非线性损伤识别原理;考虑到基于自由度的损伤指标难于判断损伤位置,故提出了一种自回归条件异方差转换指标;在测量误差和模型误差的影响下,使用3层框架结构的非线性损伤试验来验证该损伤指标的有效性. 试验结果表明:非线性间隙距离为0.05 mm和0.10 mm时,损伤位置第3层的自回归条件异方差转换指标值比传统的倒谱测距转化指标值高21.7%以上;当非线性间隙距离为0.20 mm时,第3层的自回归条件异方差转换指标值比倒谱测距转化指标值高3.7%.