摘要：储备池计算(Reservoir Computing)模型结构简单、训练高效,是一种训练循环神经网络的新型计算方法。目前已...储备池计算(Reservoir Computing)模型结构简单、训练高效,是一种训练循环神经网络的新型计算方法。目前已经在动态系统识别、时间序列预测等领域中得到了广泛的应用。然而,相比于深层次的深度学习模型,储备池计算模型层次结构单一化(只有随机固定的单个隐含层),唯一需要训练的网络输出权值也仅仅依赖于简单的回归工具。因此储备池计算目前还尚未能应用于更广泛的时间序列应用领域,例如动作识别。本文拟基于典型的储备池计算模型——回声状态网络(Echo State Network,ESN),探索储备池计算与深度学习在模型思想、技术等方面结合的可能性,提出两种新型的深度储备池计算模型。具体地,本文研究工作主要包括在以下两个方面:1)提出一种新型的层次化储备池计算模型——深度储备池网络(Deep Reservoir Network,DRN)。该模型通过多重投影与编码的交替方式叠加储备池和无监督编码器。各层的储备池与最后的输出层之间均有需要学习的输出连边,并且这些输出连边的权值可以通过简单的回归方程求解。该模型在保证传统储备池计算简单、高效的学习特点(不依赖于时间方向上的梯度反向传播过程)的同时,也通过在各层储备池之间加入的无监督编码器融合了深度学习多层次特征学习和抽象的模型思想。实验结果证明,这种基于多重投影编码的深度储备池网络比起目前已有的层次化储备池工作更能保证在实现高效率时序建模任务的同时,在整个层次系统内部产生丰富多尺度动态特征。2)提出一种基于储备池编码与卷积解码相结合的新型深度储备池计算模型——卷积回声状态网络(Convolutional Echo State Network,ConvESN)。该模型可适用于一般的时间序列分类问题。该模型的研究动机在于利用深度学习方法来解码储备池生成的丰富的高维动态特征,突破原来基于简单线性回归的储备池计算模型对复杂动态特征解码能力弱的建模瓶颈。进一步,本文针对带有结构化信息的时间序列数据(例如基于人体骨骼节点的动作序列数据),提出了两种基于多步通道融合策略的卷积回声状态网络扩展模型(ConvESN-MSSC和ConvESN-MSMC),将ConvESN这种深度储备池计算模型进一步拓展至更为复杂的时间序列识别应用中。通过基于UCR时间序列数据库的标准分类任务以及基于人体骨骼节点序列数据的动作识别任务,证明了这种卷积回声状态网络方法的有效性。更多还原显示全部
摘要：随着人工智能技术的快速发展,智能计步功能的研究和应用也随之受到越来越多的重视。依托于MEMS(Micro-Elect...随着人工智能技术的快速发展,智能计步功能的研究和应用也随之受到越来越多的重视。依托于MEMS(Micro-Electro-Mechanical System)技术的发展,基于MEMS技术的传感器因其体积小、低功耗等多个优点而被各种智能移动终端所采用,例如智能手机、智能手表、智能手环等,正因为集成了一系列MEMS传感器,使得这些设备的智能化成为可能。其中最普遍的便是对MEMS加速度传感器的使用,通过MEMS加速度传感器可以采集到与用户运动紧密相关的信号数据,通过分析这些数据,可以预测出用户当前的运动状况以及计算出用户行走的步数,而计算用户步数即所谓的计步功能。用户的步数信息在运动监测、PDR(Pedestrian Dead Reckoning)技术等领域具有重要的应用价值,因此如何通过MEMS加速度传感器采集到的加速度信号准确检测出用户行走的步数,成为步数检测算法领域最基本的研究要点。目前,国内外许多学者在基于MEMS加速度传感器的计步算法和动作识别领域,已经研究出了许多有效的方法。但是,在动作识别领域,大多数方法需要将MEMS传感器固定于实验者的某一部位,而在计步算法领域,在降低不同动作对计步结果的影响上,大多数研究者采取的是滤波、借助重力校正等数据预处理方法,很少把动作识别方法融入步数检测算法。鉴于此,本文提出一种基于动作识别的自适应步数检测算法,有效地将动作识别模型与步数检测算法进行了融合。不同的动作导致MEMS传感器位置发生不同的变化,相应的加速度信号特征也会发生改变,通过动作识别模型,计步系统可以识别出人体的不同动作,然后步数检测模型将会根据不同特征的加速度信号有效地进行计步策略的调整,以达到最佳的计步结果。本文的方法无需固定MEMS传感器的位置,其自适应性能力也不是仅仅借助数据预处理的方式来提升。在动作识别模型中,为了提高动作识别的准确率,本文采用机器学习方法对加速度信号的特征进行学习和辨别,并且提出子带能量差比率差的特征来进一步提高识别效率。在步数检测模型部分,根据不同的动作识别结果,分析设计了3种不同的计步策略,每种策略对应一个具体的步数检测算法,充分体现了本文计步算法的自适应性能力。本文在真实场景下采集了多个实验者的加速度信号数据,在MATLAB平台上进行了实验仿真,并分析了本文动作识别和步数检测算法的性能表现。除此以外,为了进一步展现本文算法的优势,本文实验阶段还实现了其他3种计步算法作为对比实验,所有实验结果表明本文的计步算法自适应性更强,在各种动作下的平均计步准确率达到98.9%。更多还原显示全部
摘要：随着社会经济的发展和生活水平的提高,人们开始寻求真实感更强的模拟体验。作为一门新兴的多通道信息融合技...随着社会经济的发展和生活水平的提高,人们开始寻求真实感更强的模拟体验。作为一门新兴的多通道信息融合技术——虚拟现实(VR:Virtual Reality)正在带给人们一种全新的人机交互体验。虚拟现实技术需要模拟出同现实尽可能一致的交互场景。动作捕捉技术正是解决这一需求的关键技术。动作捕捉技术将人体动作映射到虚拟场景中,构建出与真实人物对应的虚拟形象,能实现更好的用户体验。现有VR应用要么缺乏对人的肢体运动进行捕捉,要么通过反向运动学构建虚拟手臂来模拟人体动作,但模拟精准度不高,这使得虚拟现实的用户体验大打折扣。基于惯性传感器或基于视频识别的运动捕捉方案可以较好的实现虚拟现实中的动作捕捉,前者捕捉精度高但成本高;后者成本低但捕捉精度也低。本文在HTC VIVE平台上设计了一种基于运动学的虚拟现实手臂动作捕捉方案,以实现低成本高精度的动作捕捉效果。该方案的具体贡献包括以下几点:1.提出了一种将VR设备捕捉到的头部、躯干和手臂节点数据映射到虚拟空间中人体结构对应关节的方法,即基于人体骨骼层次模型,设计了适用于VR环境手臂运动链模型。2.提出了一种将上述人体结构数据重定向到VR手臂的解决方案。利用内置模型将数据重建到虚拟形象的对应的手臂关节,驱动虚拟环境下的VR手臂运动。3.基于特征约束和特征匹配顺序策略对动态时间规整算法(Dynamic Time Warping,DTW算法)进行改进,并将改进后的算法应用到VR手臂动作捕捉中。实验表明改进后的算法能够在保持原有识别精度的基础上,提升34%的时间效率。4.基于以上提出的方案,实现了基于运动学的虚拟现实手臂动作捕捉的系统和插件。将本文提出的动作捕捉方案和已有方案进行对比实验,使用动作关节角度变化曲线和图片序列验证方法展开分析。实验结果和用户调查结果显示,本文提出的方法能够较好地在虚拟现实中还原实际手臂动作,与现有方法相比表现出较高的精度,调查对象的平均满意度达到85%。更多还原显示全部
