期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
基于人体行为3D模型的2D行为识别 被引量:16
1
作者 谷军霞 丁晓青 王生进 《自动化学报》 EI CSCD 北大核心 2010年第1期46-53,共8页
针对行为识别中行为者朝向变化带来的问题,提出了一种基于人体行为3D模型的2D行为识别算法.在学习行为分类器时,以3D占据网格表示行为样本,提取人体3D关节点作为描述行为的特征,为每一类行为训练一个基于范例的隐马尔可夫模型(Exemplar-... 针对行为识别中行为者朝向变化带来的问题,提出了一种基于人体行为3D模型的2D行为识别算法.在学习行为分类器时,以3D占据网格表示行为样本,提取人体3D关节点作为描述行为的特征,为每一类行为训练一个基于范例的隐马尔可夫模型(Exemplar-based hidden Markov model,EHMM),同时从3D行为样本中选取若干帧作为3D关键姿势集,这个集合是连接2D观测样本和人体3D关节点特征的桥梁.在识别2D行为时,2D观测样本序列可以由一个或多个非标定的摄像机采集.首先在3D关键姿势集中为每一帧2D观测样本寻找与之最匹配的3D关键姿势帧,之后由行为分类器对2D观测样本序列对应的3D关键姿势序列进行识别.该算法在训练行为分类器时要进行行为者的3D重构和人体3D关节点的提取,而在识别2D行为时不再需要进行3D重构.通过在3个数据库上的实验,证明该算法可以有效识别行为者在任意朝向下的行为,并可以适应不同的行为采集环境. 展开更多
关键词 行为识别 3D模型 基于范例的隐马尔可大模型 置信加权
下载PDF
面向实时交通状态参数估计的浮动车车速置信优化算法 被引量:3
2
作者 王嘉文 王吟松 +2 位作者 刘好德 吴亦政 朱琛 《交通信息与安全》 2010年第3期1-5,共5页
针对浮动车数据稳定性问题,在浮动车及其数据特性分析的基础上,设计了考虑车速置信权重的交通状态参数算法。以车速、样本数和时间为衡量基准得到置信权重,据此计算交通状态参数。在出现异常数据时进行去噪处理;在数据量不足或数据连续... 针对浮动车数据稳定性问题,在浮动车及其数据特性分析的基础上,设计了考虑车速置信权重的交通状态参数算法。以车速、样本数和时间为衡量基准得到置信权重,据此计算交通状态参数。在出现异常数据时进行去噪处理;在数据量不足或数据连续性不好的情况下融合历史数据及临近时段数据,以反映真实交通状态。通过编程仿真和实地实验,对优化算法进行数值分析和测试,证明该算法可有效消除异常数据波动和数据量不足的影响,对交通状态参数估计具有较高的准确度和平稳性。 展开更多
关键词 智能交通系统 交通状态参数 浮动车数据 置信权重
下载PDF
基于快速码根检验的RS码综合识别算法 被引量:1
3
作者 张晓林 李修桥 孙溶辰 《通信学报》 EI CSCD 北大核心 2022年第11期117-126,共10页
针对RS(Reed-Solomon)码识别算法存在的计算量大和漏警概率高的问题,提出了一种基于快速码根检验的RS码综合识别算法。首先,在二元域中求解校验关系,利用快速码根检验算法依次遍历参数;然后,利用组合码根的分布特性,对级数、本原多项式... 针对RS(Reed-Solomon)码识别算法存在的计算量大和漏警概率高的问题,提出了一种基于快速码根检验的RS码综合识别算法。首先,在二元域中求解校验关系,利用快速码根检验算法依次遍历参数;然后,利用组合码根的分布特性,对级数、本原多项式以及纠错能力进行联合判定;最后,赋予长短码不同的置信权重,将通过判定的待定参数进行综合衡量,选择最优参数,并计算生成多项式。所提算法不需要信噪比等先验信息,具有较好的适应性。仿真结果表明,所提算法在较低复杂度下可以有效地降低漏警概率,与常规的硬判决算法相比,所提算法性能较好,可以较快地完成编码参数识别。 展开更多
关键词 RS码 快速码根检验 置信权重 综合识别 漏警概率 盲识别
下载PDF
数据挖掘在HFC网络管理与决策中的应用
4
作者 赵晨光 徐宏宇 贾亮 《中国有线电视》 2006年第21期2071-2073,共3页
结合HFC网络设备及用户管理的现状,提出了用户初始信用度和消费信用度的概念及评分算法,并尝试构造了基于网络设备运行的历史数据对设备异常工作的预测模型,对HFC网络管理与决策将有所帮助。
关键词 数据挖掘 信用度 HFC
下载PDF
一种基于Spark时效化协同过滤推荐算法 被引量:4
5
作者 徐新瑞 孟彩霞 +1 位作者 周雯 刘盈 《计算机技术与发展》 2015年第6期48-55,共8页
针对传统的批量学习的基于模型的协同过滤算法对新用户(物品)更新缓慢,模型重训练成本高且扩展性不足,对噪音数据的处理有待提高,尤其是随着数据量的增长和时效性要求越来越高,挖掘其中的知识变得越来越困难等问题,对置信权重在线协同... 针对传统的批量学习的基于模型的协同过滤算法对新用户(物品)更新缓慢,模型重训练成本高且扩展性不足,对噪音数据的处理有待提高,尤其是随着数据量的增长和时效性要求越来越高,挖掘其中的知识变得越来越困难等问题,对置信权重在线协同过滤算法进行改进。引入自适应软边缘,提出二阶在线优化方法处理在线协同过滤中问题的新算法(Soft Confidence Weighted Online Collaborative Filtering,SCWOCF),并在Spark流处理推荐框架下利用四组真实数据与相关算法作对比测试。实验结果表明,新算法能够及时处理用户(物品)的动态变化,并提升推荐的实时性和准确性,降低计算成本,对噪声数据健壮性更强。 展开更多
关键词 在线学习 自适应软边缘 软置信权重 二阶协同过滤 推荐系统 HADOOP SPARK on YARN
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部