基于多传感器数据融合的校园暴力检测算法
发布时间:2021-09-25 20:49
随着信息时代及网络媒体技术的发展,人们接收各类消息的渠道日益丰富,从前无声无息发生在校园各个角落的校园暴力事件逐渐呈现在人们眼前。伴随着互联网及各类自媒体的普及,网络世界的缤纷繁杂以及各类暴力、低俗的内容严重影响到心智尚未成熟的青少年,很多学生对于所接触到的低俗内容充满着强烈的好奇心而导致模仿心态,从而使得当今社会校园暴力事件层出不穷,严重影响到学生校园生活以及社会风气。然而由于暴力事件发生往往较为隐秘且多数学生由于心理恐惧而无法及时向老师或家长报告情况,其结果导致校园暴力恶性循环,在学生心里留下不可磨灭的心理阴影,严重影响受害者身心健康发展。伴随着当下各类可穿戴智能设备的发展与普及,利用可穿戴设备内置传感器对动作识别也得到了发展,本文提出一种基于身体多部位传感器数据融合来对校园暴力动作进行主动式检测。相比于单部位传感器识别,多传感器能够采集身体动作更为全面的数据,通过信息融合达到冗余互补的效果从而实现对复杂暴力动作更为准确的判别。该主动式暴力检测系统避免学生遭受霸凌而不被发现,能够及时有效地预警校园暴力事件,对促进校园以及学生身心健康和谐发展具有重要意义。基于校园暴力动作的复杂性,本...
【文章来源】:哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】:68 页
【学位级别】:硕士
【部分图文】:
使用有监督选取中心RBF网络收敛误差和样本数目关系
哈尔滨工业大学工程硕士学位论文表 4-3 LDA 降维决策层融合暴力识别混淆矩阵(单位:%)暴力(识别) 非暴力(识别)暴力(实际) 84.8 15.2非暴力(实际) 7.2 92.8特征维数过高必然会导致网络时间复杂度和空间负责度的增加,通过 LDA 降法将特征降低至 8 维后,网络达到收敛所需要的神经元数量大量减少且所需也有所降低,其 RBF 网络结构如图 4-1 所示,收敛性能如图 4-2 所示。GaussInputPurelin输入层 隐含层输出层OutputK=575R=8N×图 4-1 广义 RBF 网络结构模型
【参考文献】:
期刊论文
[1]校园暴力现状及对策研究进展[J]. 马梅,王小琴,惠沼沼,张月. 中国医学伦理学. 2017(04)
[2]基于改进D-S证据组合规则的目标识别算法[J]. 周莉,唐文静,郭伟震. 北京邮电大学学报. 2016(05)
[3]基于加速度传感器的乒乓球击球动作识别[J]. 黄刘松,储岳中,张学锋. 传感器与微系统. 2016(01)
[4]基于加速度信号和进化RBF神经网络的人体行为识别[J]. 卢先领,王洪斌,徐仙. 模式识别与人工智能. 2015(12)
[5]基于改进D-S证据理论的信任评估模型[J]. 张琳,刘婧文,王汝传,王海艳. 通信学报. 2013(07)
[6]基于有限脉冲反应和径向基神经网络的触电信号识别[J]. 关海鸥,杜松怀,李春兰,苏娟,梁英,武子超,邵利敏. 农业工程学报. 2013(08)
[7]基于RBF神经网络的人体动态姿态识别算法[J]. 高晶敏,梁菁菁,李春云. 北京信息科技大学学报(自然科学版). 2011(04)
[8]中学生校园暴力现状及干预措施的研究进展[J]. 刘霞,张跃兵,刘传超,赵淑英. 中国健康教育. 2010(03)
硕士论文
[1]基于动作语音特征的校园暴力识别算法研究[D]. 王鹏.哈尔滨工业大学 2017
[2]基于传感器数据的手臂动作识别与应用研究[D]. 张鑫.哈尔滨工业大学 2016
[3]基于传感器的人体行为识别技术研究[D]. 茹晨光.浙江大学 2016
本文编号:3410418
【文章来源】:哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】:68 页
【学位级别】:硕士
【部分图文】:
使用有监督选取中心RBF网络收敛误差和样本数目关系
哈尔滨工业大学工程硕士学位论文表 4-3 LDA 降维决策层融合暴力识别混淆矩阵(单位:%)暴力(识别) 非暴力(识别)暴力(实际) 84.8 15.2非暴力(实际) 7.2 92.8特征维数过高必然会导致网络时间复杂度和空间负责度的增加,通过 LDA 降法将特征降低至 8 维后,网络达到收敛所需要的神经元数量大量减少且所需也有所降低,其 RBF 网络结构如图 4-1 所示,收敛性能如图 4-2 所示。GaussInputPurelin输入层 隐含层输出层OutputK=575R=8N×图 4-1 广义 RBF 网络结构模型
【参考文献】:
期刊论文
[1]校园暴力现状及对策研究进展[J]. 马梅,王小琴,惠沼沼,张月. 中国医学伦理学. 2017(04)
[2]基于改进D-S证据组合规则的目标识别算法[J]. 周莉,唐文静,郭伟震. 北京邮电大学学报. 2016(05)
[3]基于加速度传感器的乒乓球击球动作识别[J]. 黄刘松,储岳中,张学锋. 传感器与微系统. 2016(01)
[4]基于加速度信号和进化RBF神经网络的人体行为识别[J]. 卢先领,王洪斌,徐仙. 模式识别与人工智能. 2015(12)
[5]基于改进D-S证据理论的信任评估模型[J]. 张琳,刘婧文,王汝传,王海艳. 通信学报. 2013(07)
[6]基于有限脉冲反应和径向基神经网络的触电信号识别[J]. 关海鸥,杜松怀,李春兰,苏娟,梁英,武子超,邵利敏. 农业工程学报. 2013(08)
[7]基于RBF神经网络的人体动态姿态识别算法[J]. 高晶敏,梁菁菁,李春云. 北京信息科技大学学报(自然科学版). 2011(04)
[8]中学生校园暴力现状及干预措施的研究进展[J]. 刘霞,张跃兵,刘传超,赵淑英. 中国健康教育. 2010(03)
硕士论文
[1]基于动作语音特征的校园暴力识别算法研究[D]. 王鹏.哈尔滨工业大学 2017
[2]基于传感器数据的手臂动作识别与应用研究[D]. 张鑫.哈尔滨工业大学 2016
[3]基于传感器的人体行为识别技术研究[D]. 茹晨光.浙江大学 2016
本文编号:3410418
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3410418.html