CN113408585A - 一种基于人工智能的智能***移动检测方法 - Google Patents
一种基于人工智能的智能***移动检测方法 Download PDFInfo
- Publication number
- CN113408585A CN113408585A CN202110555616.5A CN202110555616A CN113408585A CN 113408585 A CN113408585 A CN 113408585A CN 202110555616 A CN202110555616 A CN 202110555616A CN 113408585 A CN113408585 A CN 113408585A
- Authority
- CN
- China
- Prior art keywords
- artificial intelligence
- detection method
- method based
- layer
- movement detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000008569 process Effects 0.000 claims abstract description 36
- 230000001133 acceleration Effects 0.000 claims abstract description 31
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000003786 synthesis reaction Methods 0.000 claims description 9
- 230000001364 causal effect Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000010339 dilation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于人工智能的智能***移动检测方法，包括：采集自动盖章过程中***的移动加速度实时数据，并输入训练好的基于注意力机制的TCN模型，获得分类结果，根据分类结果判断自动盖章过程中是否发生人为移动***行为，若是则发出警报，否则结束；其中，所述的TCN模型的训练过程具体为：采集自动盖章过程中***的移动加速度样本数据，构建样本集，并进行预处理；利用样本集对TCN模型进行训练。与现有技术相比，本发明具有自动化、准确性高和鲁棒性好等优点。
Description
技术领域
本发明涉及一种智能***领域移动检测技术，尤其是涉及一种基于人工智能的智能***移动检测方法。
背景技术
***作为公司处理内外部事务的印鉴，是公司合同、公文、介绍信、证明信等具有法律文书性质的文件生效的凭证。在***使用过程中，往往存在私自盗盖、违法偷印等风险，从而很可能给***持有者带来不必要的法律纠纷和无法承担的责任。因此***管控的重要性不言而喻。
现有智能***技术的发明提出了***智慧管理解决方案，对盖章全过程管控，实现用户盖章过程全程无接触，人章分离，有效规避了上述问题。但在启动自动盖章时用户移动并私自更换盖章文件这一问题，传统的移动监测方法设定加速计单轴加速度阈值，根据是否超出阈值判断移动行为，此类方法首先忽略了盖章过程中移动行为的多样性，另外也依赖于预测人员的主观经验，导致鲁棒性较低，预测效果不稳定。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于人工智能的智能***移动检测方法，实现自动化，准确性高，鲁棒性好。
本发明的目的可以通过以下技术方案来实现：
一种基于人工智能的智能***移动检测方法，包括：
采集自动盖章过程中***的移动加速度实时数据，并输入训练好的基于注意力机制的TCN模型，获得分类结果，根据分类结果判断自动盖章过程中是否发生人为移动***行为，若是则发出警报，否则结束；
其中，所述的TCN模型的训练过程具体为：
采集自动盖章过程中***的移动加速度样本数据，标记数据标签，构建样本集，并进行预处理；
利用样本集对TCN模型进行训练；
数据标签包括人为移动和干扰移动，相比传统拟合数据得到的阈值进行判断，通过基于注意力机制的TCN模型自动提取特征并分类，减少检测过程中的人工参与，同时有效区分人为移动情况及其他干扰噪声移动行为；
所述的TCN模型即时间卷积网络模型，是将卷积神经网络引入处理时间序列，相比于对时序数据惯用的循环神经网络，融合了时序建模能力，且由于卷积神经核的汇合作用，可以在高层以小的处理单元融合大量的底层信息，所述的TCN模型在处理大量多维数据及长时间跨度时序数据时的精度和运算速度都大幅提升。
进一步地，所述的预处理过程包括：
对样本集依次进行平衡采样处理、去噪处理和信号分割。
进一步地，所述的样本集中不同移动加速度样本数据存在差异，导致TCN模型结果偏向样本拥有更多数据的类，因此需要对样本集进行平衡采样处理，所述的平衡采样处理过程包括：
通过合成过采样技术对移动加速度样本数据进行处理。
进一步地，所述的合成过采样技术的计算公式为：
c＝a+rand(0,1)*|a-b|
其中，a为一个样本数据，b为与a最邻近的另一个样本数据，c为合成样本数据，rand(0,1)为0和1之间的随机数。
进一步地，外界非运动造成的噪声干扰会对TCN模型的准确率产生影响，故需要对样本集进行滤波处理，考虑加速度高频信号对结果的影响，所述的去噪处理过程包括：
采用三阶低通巴特沃斯数字滤波器对移动加速度样本数据进行滤波处理。
进一步地，所述的三阶低通巴特沃斯数字滤波器的线性常系数差分方程为：
其中，x和y分别为输入信号和输出信号，ai和bi为系数，M和N为设定值。
进一步地，由于移动行为持续时间存在差异，所述的信号分割过程包括：
通过定长滑窗法对移动加速度样本数据进行信号分割，所述的定长滑窗法采用的滑动窗口的重叠度为50％，获取更为全面的信息表示。
进一步地，所述的基于注意力机制的TCN模型包括传感器数据输入模块、残差模块、注意力模块和输出模块，所述的残差模块的数量为多个，所述的残差模块包含两层因果扩张卷积，每层扩张卷积层后依次连接WeightNorm层、Relu函数和Dropout层；
所述的WeightNorm层对权重值进行归一化，重写深度网络的权重来进行加速，所述的Relu函数作为激活函数，所述的Dropout层以随机选择神经元的方式防止网络过拟合，同时所述的残差模块的输入层和输出层之间连接有1*1卷积，以解决输出和输入维度不同的问题。
所述的基于注意力机制的TCN模型采用因果卷积和扩张卷积实现，所述的因果卷积即当前输出yt只与之前时刻的输入yt只与之前时刻的输入x1…xt-1进行卷积，扩张卷积即通过间隔采样，以使用较少层的卷积神经网络获取更大的感受野，所述的残差模块的加入能有效防止网络结构过深产生的梯度***和梯度消失问题。
进一步地，所述的注意力机制考虑到运动数据关键特征的特性，为输入分配不同权重，将重点放在行为数据中贡献更大的部分，所述的注意力模块包含Permute层、Dense层和Multiply层，所述的Permute层将输入的维度按照给定模式进行重排，所述的Multiply层将Permute层的输出与残差模块的输出完成位与位相乘，所述的注意力机制的加入，为每个输出向量分配权重，获取重要行为信息。
与现有技术相比，本发明具有以如下有益效果：
(1)本发明采集自动盖章过程中***的移动加速度实时数据，并输入训练好的基于注意力机制的TCN模型，获得分类结果，根据分类结果判断自动盖章过程中是否发生人为移动***行为，若是则发出警报，能够及时对当前***是否移动做判断，以***的移动加速度为判断标准，容易获取，成本低，且能够很好地区分人为移动情况及其他干扰噪声移动行为，可靠性和准确性高，判断当前***状态，及时触发报警，可以有效防止自动盖章过程中因人为移动***和更换盖章文件带来的风险，实现自动化，不依赖人为主观判断，客观性强；
(2)本发明采用基于注意力机制的时间卷积网络，相比于传统不适于时序建模的卷积神经网络，可以更好地抓取长时的依赖信息，加快模型的训练速度，鲁棒性好，相比传统方法的根据阈值作为标准判断是否移动，能更准确地判断盖章过程中私自移动***的行为，排除由外界干扰产生的误差；
(3)本发明对样本集进行平衡采样处理，通过合成过采样技术对移动加速度样本数据进行处理，提高了训练后的TCN模型的分类准确度；
(4)本发明采用三阶低通巴特沃斯数字滤波器对移动加速度样本数据进行滤波处理，避免外界非运动造成的噪声干扰对TCN模型的准确率产生影响；
(5)本发明通过定长滑窗法对移动加速度样本数据进行信号分割，获取更为全面的信息表示，提高训练好的TCN模型的准确性。
附图说明
图1为本发明的方法流程图；
图2为基于注意力机制的TCN模型的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种基于人工智能的智能***移动检测方法，如图1，包括：
1)通过加速度传感器采集自动盖章过程中***的移动加速度样本数据，标记数据标签，构建样本集，数据标签包括人为移动和干扰移动；
2)对样本集进行预处理；
3)利用样本集对基于注意力机制的TCN模型进行训练；
4)采集自动盖章过程中***的移动加速度实时数据，并输入训练好的基于注意力机制的TCN模型，获得分类结果，分类结果包括人为移动、外界振动和未移动；
5)根据分类结果判断自动盖章过程中是否发生人为移动***行为，若是则发出警报，否则不发出警报。
如图2，TCN模型即时间卷积网络模型，基于注意力机制的TCN模型包括传感器数据输入模块、残差模块、注意力模块和输出模块，残差模块的数量为多个，残差模块包含两层因果扩张卷积，每层扩张卷积层后依次连接WeightNorm层、Relu函数和Dropout层；
WeightNorm层对权重值进行归一化，重写深度网络的权重来进行加速，Relu函数作为激活函数，Dropout层以随机选择神经元的方式防止网络过拟合，同时残差模块的输入层和输出层之间连接有1*1卷积，以解决输出和输入维度不同的问题。
基于注意力机制的TCN模型采用因果卷积和扩张卷积实现，因果卷积即当前输出yt只与之前时刻的输入yt只与之前时刻的输入x1…xt-1进行卷积，扩张卷积即通过间隔采样，以使用较少层的卷积神经网络获取更大的感受野，残差模块的加入能有效防止网络结构过深产生的梯度***和梯度消失问题。
注意力机制考虑到运动数据关键特征的特性，为输入分配不同权重，将重点放在行为数据中贡献更大的部分，注意力模块包含Permute层、Dense层和Multiply层，Permute层将输入的维度按照给定模式进行重排，Multiply层将Permute层的输出与残差模块的输出完成位与位相乘，注意力机制的加入，为每个输出向量分配权重，获取重要行为信息。
TCN模型是将卷积神经网络引入处理时间序列，相比于对时序数据惯用的循环神经网络，融合了时序建模能力，且由于卷积神经核的汇合作用，可以在高层以小的处理单元融合大量的底层信息，TCN模型在处理大量多维数据及长时间跨度时序数据时的精度和运算速度都大幅提升。
预处理过程包括：
对样本集依次进行平衡采样处理、去噪处理和信号分割。
样本集中不同移动加速度样本数据存在差异，导致TCN模型结果偏向样本拥有更多数据的类，因此需要对样本集进行平衡采样处理，平衡采样处理过程包括：
通过合成过采样技术对移动加速度样本数据进行处理。
合成过采样技术的计算公式为：
c＝a+rand(0,1)*|a-b|
其中，a为一个样本数据，b为与a最邻近的另一个样本数据，c为合成样本数据，rand(0,1)为0和1之间的随机数。
外界非运动造成的噪声干扰会对TCN模型的准确率产生影响，故需要对样本集进行滤波处理，考虑加速度高频信号对结果的影响，去噪处理过程包括：
采用三阶低通巴特沃斯数字滤波器对移动加速度样本数据进行滤波处理。
三阶低通巴特沃斯数字滤波器的线性常系数差分方程为：
其中，x和y分别为输入信号和输出信号，ai和bi为系数，M和N为设定值；
三阶低通巴特沃斯数字滤波器的设计实际上是求解系数ai和bi，三阶低通巴特沃斯数字滤波器的输出由前M+1个时刻的输入值和对应系数bi的乘积，减去前N个时刻的输出值和对应系数ai的乘积。
由于移动行为持续时间存在差异，信号分割过程包括：
通过定长滑窗法对移动加速度样本数据进行信号分割，定长滑窗法采用的滑动窗口的重叠度为50％，获取更为全面的信息表示。
本实施例提出了一种基于人工智能的智能***移动检测方法，及时对当前***是否移动做判断，同时区分当前是人为移动还是因外界造成的移动，判断当前***状态，及时触发报警装置，可以有效防止自动盖章过程中因人为移动***和更换盖章文件带来的风险，所采用的基于注意力机制的时间卷积网络相比于传统不适于时序建模的卷积神经网络，可以更好地抓取长时的依赖信息，加快模型的训练速度，相比传统方法的根据阈值作为标准判断是否移动，考虑了人为移动、外界振动和未移动三种情形，准确判断盖章过程中私自移动***的行为，排除由外界干扰产生的误差。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于人工智能的智能***移动检测方法，其特征在于，包括：
采集自动盖章过程中***的移动加速度实时数据，并输入训练好的基于注意力机制的TCN模型，获得分类结果，根据分类结果判断自动盖章过程中是否发生人为移动***行为，若是则发出警报，否则结束；
其中，所述的TCN模型的训练过程具体为：
采集自动盖章过程中***的移动加速度样本数据，构建样本集，并进行预处理；
利用样本集对TCN模型进行训练。
2.根据权利要求1所述的一种基于人工智能的智能***移动检测方法，其特征在于，所述的预处理过程包括：
对样本集依次进行平衡采样处理、去噪处理和信号分割。
3.根据权利要求2所述的一种基于人工智能的智能***移动检测方法，其特征在于，所述的平衡采样处理过程包括：
通过合成过采样技术对移动加速度样本数据进行处理。
4.根据权利要求3所述的一种基于人工智能的智能***移动检测方法，其特征在于，所述的合成过采样技术的计算公式为：
c＝a+rand(0,1)*|a-b|
其中，a为一个样本数据，b为与a最邻近的另一个样本数据，c为合成样本数据。
5.根据权利要求2所述的一种基于人工智能的智能***移动检测方法，其特征在于，所述的去噪处理过程包括：
采用三阶低通巴特沃斯数字滤波器对移动加速度样本数据进行滤波处理。
6.根据权利要求5所述的一种基于人工智能的智能***移动检测方法，其特征在于，所述的三阶低通巴特沃斯数字滤波器的线性常系数差分方程为：
其中，x和y分别为输入信号和输出信号，ai和bi为系数，M和N为设定值。
7.根据权利要求2所述的一种基于人工智能的智能***移动检测方法，其特征在于，所述的信号分割过程包括：
通过定长滑窗法对移动加速度样本数据进行信号分割。
8.根据权利要求7所述的一种基于人工智能的智能***移动检测方法，其特征在于，所述的定长滑窗法采用的滑动窗口的重叠度为50％。
9.根据权利要求1所述的一种基于人工智能的智能***移动检测方法，其特征在于，所述的基于注意力机制的TCN模型包括传感器数据输入模块、残差模块、注意力模块和输出模块，所述的残差模块的数量为多个，所述的残差模块包含两层因果扩张卷积，每层扩张卷积层后依次连接WeightNorm层、Relu函数和Dropout层，所述的残差模块的输入层和输出层之间连接有1*1卷积。
10.根据权利要求6所述的一种基于人工智能的智能***移动检测方法，其特征在于，所述的注意力模块包含Permute层、Dense层和Multiply层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110555616.5A CN113408585A (zh) | 2021-05-21 | 2021-05-21 | 一种基于人工智能的智能***移动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110555616.5A CN113408585A (zh) | 2021-05-21 | 2021-05-21 | 一种基于人工智能的智能***移动检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113408585A true CN113408585A (zh) | 2021-09-17 |
Family
ID=77679114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110555616.5A Pending CN113408585A (zh) | 2021-05-21 | 2021-05-21 | 一种基于人工智能的智能***移动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113408585A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114372538A (zh) * | 2022-03-22 | 2022-04-19 | 中国海洋大学 | 拖曳式传感器阵列中尺度涡时间序列卷积分类方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109130555A (zh) * | 2018-08-16 | 2019-01-04 | 上海建业信息科技股份有限公司 | 一种对非即时审核文件进行盖章的方法及*** |
| CN208438903U (zh) * | 2018-07-03 | 2019-01-29 | 上海致物通信科技有限公司 | 一种智能*** |
| CN110232412A (zh) * | 2019-05-30 | 2019-09-13 | 清华大学 | 一种基于多模态深度学习的人体步态预测方法 |
| US20200029176A1 (en) * | 2018-07-19 | 2020-01-23 | Baidu Online Network Technology (Beijing) Co., Ltd. | Motion detection method, device, and medium |
| CN110866509A (zh) * | 2019-11-20 | 2020-03-06 | 腾讯科技（深圳）有限公司 | 动作识别方法、装置、计算机存储介质和计算机设备 |
| CN112036379A (zh) * | 2020-11-03 | 2020-12-04 | 成都考拉悠然科技有限公司 | 基于注意力时间池化图卷积的骨架动作识别方法 |
| CN112057080A (zh) * | 2020-08-10 | 2020-12-11 | 华中科技大学 | 一种基于分阶段特征提取的冻结步态检测方法和*** |
-
2021
- 2021-05-21 CN CN202110555616.5A patent/CN113408585A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN208438903U (zh) * | 2018-07-03 | 2019-01-29 | 上海致物通信科技有限公司 | 一种智能*** |
| US20200029176A1 (en) * | 2018-07-19 | 2020-01-23 | Baidu Online Network Technology (Beijing) Co., Ltd. | Motion detection method, device, and medium |
| CN109130555A (zh) * | 2018-08-16 | 2019-01-04 | 上海建业信息科技股份有限公司 | 一种对非即时审核文件进行盖章的方法及*** |
| CN110232412A (zh) * | 2019-05-30 | 2019-09-13 | 清华大学 | 一种基于多模态深度学习的人体步态预测方法 |
| CN110866509A (zh) * | 2019-11-20 | 2020-03-06 | 腾讯科技（深圳）有限公司 | 动作识别方法、装置、计算机存储介质和计算机设备 |
| CN112057080A (zh) * | 2020-08-10 | 2020-12-11 | 华中科技大学 | 一种基于分阶段特征提取的冻结步态检测方法和*** |
| CN112036379A (zh) * | 2020-11-03 | 2020-12-04 | 成都考拉悠然科技有限公司 | 基于注意力时间池化图卷积的骨架动作识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐川龙等: "一种基于三维加速度传感器的人体行为识别方法", 《计算机***应用》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114372538A (zh) * | 2022-03-22 | 2022-04-19 | 中国海洋大学 | 拖曳式传感器阵列中尺度涡时间序列卷积分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现***和方法 | |
| CN112906644B (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
| CN107810508A (zh) | 根据传感器数据推导运动行为 | |
| CN109902564B (zh) | 一种基于结构相似性稀疏自编码网络的异常事件检测方法 | |
| CN107320115B (zh) | 一种自适应的精神疲劳评估装置及方法 | |
| CN114239749B (zh) | 基于残差收缩及双向长短期记忆网络的调制识别方法 | |
| CN111476177B (zh) | 嫌疑人检测方法及装置 | |
| CN113556319B (zh) | 物联网下基于长短期记忆自编码分类器的入侵检测方法 | |
| Yadav et al. | Ode-augmented training improves anomaly detection in sensor data from machines | |
| CN104836805A (zh) | 基于模糊免疫理论的网络入侵检测方法 | |
| CN113408585A (zh) | 一种基于人工智能的智能***移动检测方法 | |
| CN112229632B (zh) | 一种基于敏感特征迁移学习的轴承故障诊断方法 | |
| Mishra et al. | Fault detection of elevator systems using deep autoencoder feature extraction | |
| CN113112039A (zh) | 基于时频记忆递归神经网络的主动配电***初期故障识别方法 | |
| CN115753067B (zh) | 一种基于数字孪生的强噪声下旋转机械故障诊断方法 | |
| CN109657703B (zh) | 基于时空数据轨迹特征的人群分类方法 | |
| CN116863406A (zh) | 一种基于人工智能的智能报警安防***及其方法 | |
| CN115130599B (zh) | 时间序列gan数据增强下露天矿卡状态识别的半监督方法 | |
| CN116471108A (zh) | 一种基于深度学习的物联智能入侵检测***及方法 | |
| Sridhar et al. | Anomaly Detection using CNN with SVM | |
| Zhou et al. | Unsupervised anomaly detection approach for multivariate time series | |
| CN113743306A (zh) | 一种基于slowfast双帧速率的实时智能视频监控异常行为分析方法 | |
| Kauschke et al. | Towards semi-supervised classification of event streams via denoising autoencoders | |
| CN115311521B (zh) | 基于强化学习的黑盒视频对抗样本生成方法及评价方法 | |
| CN113132351B (zh) | 基于图卷积网络的拟态路由器***内部状态异常检测方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210917 |