关键词： 仿生机械肢体   传感器   BP网络   支持向置机   模式识别  

摘要： 仿生机械肢体应用在了诸多领域,如军事、医学以及工业制造等。由于面向用户的不同,其结构和控制方法也存在很大差别。本文通过对灵长类动物的运动特征及对生物信号传递方式的分析,设计了一套易穿戴的仿生机械肢体,其面向对象主要为60岁到80岁的老年群体。本文首先对灵长类动物运动特征进行分析,同时从机械肢体的结构入手,设计了机械肢体的控制系统,其包括信号采集系统和多传感器人体行为识别系统。本文设计的信号采集系统体积小、质量轻、易穿戴,能够满足人体日常的肌电信号和倾角信号的采集任务。通过设计的信号采集系统采集了 4名60岁到80岁老年人的行走、下坐、起立3种行为下的表面肌电信号及人体日常行为中躯体倾角信号。通过采集的躯体倾角信息对平衡状态与失衡状态进行了阈值的划分,并通过制作的样机进行了平衡与失衡状态的分类验证;通过BP网络和支持向量机两种分类方式,对采集的表面肌电信号的特征向量进行平衡状态中的行走、下坐、起立3种行为的模式识别。其中在表面肌电信号数据采集区间为300ms时,BP网络分类平均分类准确率为93.3%,支持向量机平均分类准确率为98.9%。然后分别分析了表面肌电信号的4种数据采集区间对三种行为的分类准确率。结果表明,当采集区间为280ms和290ms时,平均分类准确率为98.9%,与采集区间为300ms时分类准确率相同,因此使用支持向量机分类法,且数据采集区间为280ms时,机械肢体的实时性与分类效果最优。

关键词： 模式识别   机器学习   BLS   智能码头   字符识别  

摘要： 近些年来,信息科学技术和计算机科学技术的飞速发展,以及人工智能技术研究的突飞猛进,智能码头这一概念随之出现。集装箱作为国际运输业的重要组成部分,随着世界各国贸易运输越来越频繁,货物量的急剧增加给集装箱的管理和统计增加了很大的难度。港口城市也已经越来越重视集装箱码头装卸作业的自动化水平,以此来提高集装箱的吞吐能力和码头的综合管理效率。其中,集装箱号码的定位识别技术是集装箱码头装卸作业实现自动化的核心关键之一,也是模式识别领域的研究热点。随着条形码识别系统逐渐淡出人们的视线,如今我们大多数采用的是基于人工智能的视频识别系统。然而,受到天气、污垢、箱面的凹凸折痕等因素的影响,使得集装箱号码字符发生了形变或缺失,严重影响了识别率。针对上述问题,本文详细介绍了基于人工智能技术的集装箱号码识别系统的基本结构,从集装箱图像的获取,到集装箱号码图像的预处理、号码区域的定位、字符的分割以及字符识别,并提出了一种基于宽度学习的集装箱号码识别系统。首先,对采集的集装箱号码图像做预处理,包括图像灰度化、二值化以及边缘检测,并根据集装箱号码字符的特点,采用了基于先验知识的水平投影法对集装箱号码区域作定位。针对定位的号码区域,采用了垂直投影的方法作分割字符,然后对分割后的字符作归一化处理。最后采用宽度学习系统(Broad Learning System,BLS)对集装箱号码作识别,并与同类算法作对比,BLS在训练以及测试的速度和精度上有明显优势,更适合应用于实际工程中的集装箱号码识别。本文在Python软件的Spyder集成开发环境下实现了算法的基本功能,实验结果较为理想。

关键词： 下肢外骨骼   地形识别   数据驱动控制   无模型自适应控制   动力学仿真  

摘要： 外骨骼设备是用于增强、帮助以及恢复人体运动能力的机电设备,下肢外骨骼助行设备能够为老年人以及下肢障碍患者的日常行走提供助力。随着人口老龄化进程加快,下肢膝关节外骨骼的研究具有重要意义。本文从地形识别系统设计,下肢关节角度信息分析以及控制策略的选取三方面进行了研究,论文主要内容如下:首先,人体的速度、加速度等物理信号伴随运动过程产生,采集运动信息识别人体意图具有一定的滞后性,容易导致人体与外骨骼运动的不协调。针对此问题,本文设计了一种基于二维激光扫描测距仪的识别系统,通过安装在人体腰间位置的激光扫描测距仪采集地形环境信息,选用学习向量量化方法对五种不同路况识别。预识别人体意图后可以在外骨骼驱动执行器之前制定控制方法调整步态,以达到人体与外骨骼运动的最佳协调效果,保证运动的安全性。其次,平地、上/下楼梯、上/下斜坡是生活中常见的五种地形,使用VICON MX三维步态信息采集平台采集人体在不同地形下各关节的运动信息。采集得到的角度信息为离散信息,为了给控制器设计提供合理的参考轨迹,采用傅里叶级数拟合方法对离散的关节角度信息进行拟合。最后,针对人体下肢及外骨骼模型建模复杂以及建模不准确问题,本文采用基于数据驱动的无模型自适应控制方法来对下肢关节进行控制。基于关节角度的输入输出数据建立动态线性化模型,利用人体正常行走时力矩间的数据变化趋势而引入仿真先验力矩提高控制器的准确性。使用Solid Works软件设计人体模型,搭建了ADAMS和MATLAB联合仿真平台。仿真结果实现了人体模型穿戴外骨骼的正常行走,验证了所提控制方法使得膝关节外骨骼能够良好地跟踪目标角度轨迹,对人体正常行走有较好的助行效果。

关键词： 摔倒预测   模式识别   表面肌电信号   支持向量机   卷积神经网络  

摘要： 近年来,社会老龄化愈发普遍,老年人的健康问题逐渐成为社会关注的热点。摔倒是老年人群体中的高发性事件,严重威胁着老年人的身心健康。摔倒发生后,如果能够及时的检测到,并发出求救信号可以加快医疗救护赶到的步伐,为老人争取宝贵的时间。为此,国内外研究人员进行了大量的相关研究。但摔倒已然发生,伤害也已经造成,因此,另一研究方向—摔倒预测逐渐发展起来。摔倒预测的核心问题是在摔倒发生后,身体开始失去平衡到身体与地面发生碰撞的这段时间内检测出摔倒,从而为打开保护装置争取时间,避免或减轻因碰撞造成的伤害,并且与日常活动区分开来。表面肌电(surface electromyography,sEMG)信号是一种重要的电生理信号,反映了人体动作时肌肉的活动意图和状态,蕴含了很多与肢体运动相关联的信息。本研究以sEMG信号作为信号源,提出基于sEMG信号的摔倒预测方法,主要工作如下:(1)研究下肢肌肉块在人体活动中的作用,确定影响行走稳定性的主要肌肉,为信号采集位置提供依据;成功采集20名受试者摔倒和日常活动中下肢sEMG信号,完成数据采集工作;为提高识别准确率,对原始sEMG信号进行预处理,降噪、分割,为后续摔倒预测提供可靠的信号源。(2)采用支持向量机(Support Vector Machine,SVM)对摔倒进行预测。对预处理后的sEMG信号提取特征值,构造特征向量,设计并训练SVM获得分类模型对测试数据进行检测识别,同时采用滑动时间窗技术模拟在线情形。其中,为提高SVM性能,使用交叉验证法对惩罚参数C与核函数g进行寻优。识别结果灵敏度83%,特异性92%,正确率90%,平均前置时间220.62ms。(3)采用卷积神经网络(Convolutional Neural Network,CNN)对摔倒进行预测。使用SVM进行模式识别需要先进行特征提取,识别的准确性很大程度上取决于提取的特征,而CNN可以自动提取特征,省去人工提取特征的过程,并且提取到的特征依赖于任务而并非是人工设计的,具有更强的辨识力。对sEMG信号进行滤波等预处理后,搭建CNN模型,设置参数,训练CNN获得分类模型对测试数据进行检测识别,并采用滑动时间窗技术模拟在线情形。识别结果灵敏度91%,特异性96%,正确率94%,平均前置时间250.2ms。对两种方法进行比较分析,基于CNN方法的评价指标高于基于SVM方法的,表明CNN的预测效果更佳。本研究通过设计实验,采集主要肌肉sEMG信息,研究采用SVM和深度学习实现准确、快速的摔倒预测方法,为摔倒预防提供了可行方法。

关键词： 移动监测   金属屋面板   风揭效应   损伤模式识别   边界条件  

摘要： 随着金属屋面板在我国的大量应用,相应的安全问题越来越得到人们的关注。金属屋面板的事故类型主要是风揭,不难发现,日常使用中金属屋面板本身不易破坏,风揭事故的原因主要是金属屋面板的边界条件改变。金属屋面板通常是通过支座与下部结构连接,而支座作为金属屋面板的主要边界条件发生损伤时,不能由目视获得,针对此类问题,业界通常采用基于模态参数的方法进行损伤模式识别,比如针对桥梁或高层布置长期健康监测系统来实现。但是大型金属屋面板通常超过一万平米,无法布置长期健康监测系统,所以本文创新性地提出采用移动载台搭载传感器,在金属屋面板上实现可移动测量,它具有性价比高,监测无死角等特点。首先需要找到合适的模态参数作为反映支座损伤的指标。通过建立力学模型和有限元模拟研究不同的动态参数对金属屋面板支座的损伤是否敏感,发现基有频率可以反映移动小车下方支座的健康状态,并且不受周围支座的影响。考虑到可以自动读取大量文件进行模态识别,采用了基于数据驱动的随机子空间法对进行基有频率的提取。继而研究了基有频率对不同损伤模式的敏感性,通过ABAQUS建模与实验结果对照,得到了不同位置支座对竖向刚度的贡献。基有频率作为反映支座损伤状态的指标,容易受到温度的影响,于是探究了一日内的温度变化对基有频率的影响。通过实验验证,发现金属屋面板基有频率与温度呈负相关,但在一天之内的温差范围内,基有频率的变动范围在0.2Hz以内,远小于支座损伤带来的影响,故暂时可以忽略温度的影响。最后在华东某高铁站屋面板上进行了现场测试,现场发现一处与实验室相似的损伤工况,其基有频率识别结果也与实验室结论基本吻合。但是现场实验也发现了一些问题:首先是现场测试中由于传感器位于机器人腹部两条履带之间,采集到的信号信噪比不高,模态识别效果不及实验室内的实验;其次发现多处其他类型损伤模式,但是由于缺少针对相应模式的实验和研究,尚不能确定这些工况对损伤指标的影响。所以后续可以在机器人上施加激励源,提高信噪比,同时也展开针对其他种类的损伤模式的研究。

关键词： 分层架构模式   分层架构识别   软件职责   架构重构  

摘要： 在软件系统设计阶段,设计人员往往会选择复用已有的架构模式进行软件系统的架构设计,尤其是应用最为广泛的分层架构模式。分层模式将系统实体组织为层次结构以实现系统的关注点分离,合理运用分层模式可以提升软件系统的一系列质量属性。然而,随着软件系统不断演进,原始设计的分层架构经常出现架构偏移与腐蚀,导致系统的实际架构与原始架构不一致。甚至,在软件的非系统性或临时性修改过程中,引入违背分层模式设计原则的代码实现,严重威胁了软件系统的质量。此外,在软件系统的持续演进过程中常常伴随着架构文档的丢失与不及时更新,种种方面导致重构这类系统的代价不断增长,最终导致软件系统无法保持持续的演进。为了缓解这类问题,利用系统源代码逆向获取软件系统的实际分层架构并进行及时重构就显得尤为重要。本文从分层架构模式识别与架构重构两个角度出发,对相关研究进行了系统分析,归纳了现有识别方法与重构研究的不足,并总结了分层架构模式的相关特征以及使用原则。在此基础上,提出了基于软件职和结构的分层架构模式识别方法以及基于模式识别结果的架构重构方法,主要工作如下:·在现有识别方法基础上进行改进与扩展,引入了代码过滤处理、识别结果优化以及可视化步骤,同时设计了基于源代码AST树的信息提取方式,从而生成了一套完整的分层架构模式识别方法。·总结了分层架构模式应用规范相关的三项原则,引入了三种对应的分层违规的形式化定义,在此基础上设计了基于分层模式识别结果的架构重构方法,能够实现自动化的重构点定位并生成对应的重构方案。·按照本文提出的模式识别及重构方法,设计并实现了原型工具LARRT(Layered Architecture Recovery and Refactoring Tool)。通过开源软件的模式识别实验发现,本文所述的分层架构模式识别方法具有更好的精度,即模式识别结果更接近目标系统的实际分层架构,因而识别得到的系统分层架构能够有效帮助理解系统的现有状态,降低设计开发人员理解系统的难度。基于开源软件识别结果的架构重构实验发现,本文提出的架构重构方法能够发现软件系统中真实存在的问题,自动化生成的重构方案在一定程度上能够有效指导设计开发人员进行重构实施。

关键词： 时空数据   数据挖掘   轨迹预测   语义分析   模式识别  

摘要： 随着互联网应用的普及,大数据时代下各类互联网应用所产生的关于用户不同类型的信息大量累积,如何从海量数据中有效、快捷地提取出用户深层次信息从而提供更个性化、智能化的服务是亟待解决的问题。在时空数据研究领域也不例外,对海量数据进行高效的挖掘,实现数据到知识的转变是走出当前困境的关键。因此,本文从用户产生的海量时空数据入手,针对用户行为进行深入分析,探索数据挖掘在此方向上的应用,具体对以下内容进行了研究。第一,以时空数据为起点,分析各类数据的内涵,提出了用于建立目标行为模型的元数据标准,并对目标行为进行了初步建模。第二,对基于时空数据的运动目标语义挖掘展开了研究。作为目标行为模型部分元素的值域填充,结合其他维度的信息对目标意图进行具体化、定量化的表征,运用序列模式挖掘的方法对带有目标意图信息的轨迹进行了挖掘并分析得到了目标的深层次信息。第三,对基于时空语义的运动目标趋势预测展开了研究。该部分是对目标行为模型的应用探索,通过对预测问题内涵的理解,将时空预测上升到趋势预测层面,提出一种基于深度学习的预测模型对目标趋势进行了预测,并结合不同的性能指标与不同的方法进行比较来验证模型的有效性。

关键词： 隐马尔可夫模型   模式识别   损伤识别   支持向量机  

摘要： 土木工程损伤识别是结构健康监测的重要环节。现阶段,大数据下的人工智能算法为损伤识别带来新的机遇与挑战,如神经网络、遗传算法等已经在大型复杂结构的损伤识别和模型修正方面得到了广泛研究,显示了智能算法的潜力。由于结构响应和损伤状态存在不确定性的关系,本文基于一种时序概率模型-隐马尔可夫模型(HMM),将两者建立一个概率关系,对结构损伤存在性、损伤定位和损伤程度识别进行研究。主要内容包括以下几个方面:在介绍HMM基本理论的基础上,提出了应用HMM进行结构损伤识别的若干方案,包括基于HMM-lnKL指标的损伤存在性识别方法和用于损伤定位和程度识别的基于贝叶斯极大似然概率的模型库法和基于Viterbi算法的隐状态序列识别法。基于离散隐马尔可夫模型(DHMM)对三个层次的结构损伤识别进行了研究。通过一个简支梁桥模型产生的样本数据训练DHMM,利用HMM-lnKL指标对结构进行损伤存在性识别。对损伤位置和程度的识别,研究HMM模型库方法和隐状态序列识别方法。对模型库法,通过训练单、双和多损伤工况的DHMM库,对损伤位置和程度先后进行识别;研究了HMM的分类能力和分类泛化能力。对隐状态序列识别法,通过构造特定的状态转移结构,训练出一个HMM,用Viterbi算法寻找概率最大的隐含状态序列来识别结构损伤状态。比较两种方法,表明模型库法在结构损伤识别上更具有适用性。进一步基于连续隐马尔可夫模型(CHMM)对三个层次的结构损伤识别进行了研究。应用CHMM改进DHMM中的观测值为正整数值的问题,提高了识别的准确性。引入支持向量机模型,提出基于连续隐马尔可夫模型-支持向量机(CHMM-SVM)的损伤识别方法。针对CHMM在处理第二、三层次的分类泛化能力不强的问题,将泛化能力更强的SVM与动态信号处理能力更强的HMM相结合,提高了损伤识别的准确性。通过对实验室桁架桥试验数据和西堠门大桥现场实测数据对本文研究的方法进行了验证,表明基于HMM的损伤识别方法在实际结构中有较好的应用潜力。

摘要： In today's technology-filled world, employers seek applicants with strong computational thinking (CT) skills and computer science (CS) backgrounds. The demand for CT education reaches all the way to the elementary level. Wing (2006) states "computational thinking is a fundamental skill for everyone, not just for computer scientists" (p. 33). Though researchers are continuing to define all aspects of CT, the major elements include: algorithmic thinking, pattern recognition, decomposition, and abstraction. The digital age has also caused an increase in screen time, time children spend in front of a device, which has prompted studies on the negative physical and psychological effects it can have on children. Scoggin (2018) explains that school students are demonstrating a lack of social skills due to increased screen time in the classroom. As a response to this research, this capstone builds on relevant studies and provides a unit of lessons to answer the question: How can second-grade students learn algorithmic thinking and pattern recognition through collaborative learning? The detailed project includes cooperative activities and assessments to teach CT skills without the use of devices.

关键词： 云团位移   天空图像   运动模式识别   优化组合  

摘要： 光伏发电作为一种开发和利用太阳能的重要方式,于近些年取得了迅猛发展。然而,由于某些环境因素的影响,光伏功率具有随机性,给电力系统的功率平衡、安全稳定和经济运行带来了严峻挑战。其中,光伏电站上空云团的运动,如生消和变形,是地表辐照度产生迅速、剧烈变化的直接因素,从而间接导致了光伏功率出现分钟级波动。所以,对光伏电站上空的云团进行实时和准确的追踪至关重要。在这项研究中,块匹配算法,光流算法和特征匹配算法是目前的三类传统云团追踪方法。然而,它们都具有较差的鲁棒性。所以,本文针对不同的云团运动模式,将这些方法加以优化组合,提出了一种适应于多种云团运动模式的云团追踪方法,主要内容如下。首先,进行天空图像预处理,以锐化图像和滤除噪声;接着,从纹理、色度、信息论以及频域的角度,提取图像的相关特征向量;其次,基于上述特征向量,利用k-means算法对天空图像对进行聚类分析,得到不同的云团运动模式,建立云团运动模式识别模型;然后,基于上述运动模式识别模型,利用粒子群算法对三类传统方法进行优化组合,建立云团位移矢量计算模型。最后,利用云南省电力科学研究院所采集的天空图像,对本模型以及传统方法进行仿真对比,以验证本模型的有效性。