一种多场景融合下的行人运动轨迹预测方法

    公开(公告)号:CN113689470B

    公开(公告)日:2023-08-11

    申请号:CN202111024236.5

    申请日:2021-09-02

    申请人: 重庆大学

    摘要: 本发明涉及自动驾驶技术领域,具体公开了一种多场景融合下的行人运动轨迹预测方法,包括步骤:采集J+1个场景下N个行人的运动轨迹,生成对应的J个训练数据集和1个测试数据集,并生成训练输入样本集、训练输出参考集、测试输入样本集;构造每个训练输入样本集、测试输入样本集中N个行人每帧的行人间关系矩阵;采用训练输入样本集及对应的行人间关系矩阵对各自构建的时空卷积网络进行训练,得到每个场景的预测模型;将测试输入样本集及对应行人间关系矩阵输入J个预测模型中,得到每个行人的J条预测轨迹;将运动能量最小化约束、回避拥堵约束融入到蚁群优化算法中,得到每个行人的最优预测轨迹。本发明通过上述步骤能够更加精准地预测行人轨迹。

    一种基于深度稀疏迁移学习的帕金森语音分类方法

    公开(公告)号:CN113284512B

    公开(公告)日:2022-05-27

    申请号:CN202110568802.2

    申请日:2021-05-25

    申请人: 重庆大学

    IPC分类号: G10L25/51 G10L25/66 G10L25/27

    摘要: 本发明涉及帕金森语音数据集分类技术领域,具体公开了一种基于深度稀疏迁移学习的帕金森语音分类方法,该方法首先采用基于中间集的稀疏迁移学习方法对帕金森公共语音数据集生成最优卷积核(步骤S1),进一步采用聚类方法聚类生成帕金森目标数据集A的深度样本空间(步骤S2),进一步采用卷积稀疏编码基于最优卷积核组生成深度样本空间dA的深度特征映射空间(步骤S3),进一步将深度特征映射空间dE向量化扩展为dG并划分为训练集和测试集(步骤S4)。本发明迁移适用于帕金森目标数据集A的最优结构表达并挖掘其复杂结构信息(步骤S1~S4),从而提高最终的分类准确率,LOSO交叉验证下准确率高达99.5%,优于目前的最优方法(准确率97.5%)。

    一种多场景融合下的行人运动轨迹预测方法

    公开(公告)号:CN113689470A

    公开(公告)日:2021-11-23

    申请号:CN202111024236.5

    申请日:2021-09-02

    申请人: 重庆大学

    摘要: 本发明涉及自动驾驶技术领域,具体公开了一种多场景融合下的行人运动轨迹预测方法,包括步骤:采集J+1个场景下N个行人的运动轨迹,生成对应的J个训练数据集和1个测试数据集,并生成训练输入样本集、训练输出参考集、测试输入样本集;构造每个训练输入样本集、测试输入样本集中N个行人每帧的行人间关系矩阵;采用训练输入样本集及对应的行人间关系矩阵对各自构建的时空卷积网络进行训练,得到每个场景的预测模型;将测试输入样本集及对应行人间关系矩阵输入J个预测模型中,得到每个行人的J条预测轨迹;将运动能量最小化约束、回避拥堵约束融入到蚁群优化算法中,得到每个行人的最优预测轨迹。本发明通过上述步骤能够更加精准地预测行人轨迹。

    基于PSO卷积核优化稀疏迁移学习的帕金森语音识别系统

    公开(公告)号:CN111354338B

    公开(公告)日:2022-03-15

    申请号:CN202010119313.4

    申请日:2020-02-26

    申请人: 重庆大学

    摘要: 本发明公开一种基于PSO卷积核优化稀疏迁移学习的帕金森语音识别系统,包括:数据采集模块、公共数据库、目标数据库和分类识别器;系统将公共语音数据集的语音特征进行卷积稀疏学习,得到相应的卷积核;然后利用目标数据库中的一部分目标数据集进行卷积稀疏编码及样本和特征并行优选;通过PSO算法得到最优卷积核;然后基于最优卷积核,利用目标数据库中的另一部分目标数据集进行卷积稀疏编码及样本和特征并行优选;从而得到系统最优卷积核及最佳样本和特征;最后数据采集模块采集待测对象的语音数据基于最优卷积核进行卷积稀疏编码,提取编码后的最佳样本和特征,由分类识别器得出测试结果。本系统分类准确率高,样本需求量少,实施方便。

    一种帕金森病语音样本段多类型重构变换方法

    公开(公告)号:CN113393932A

    公开(公告)日:2021-09-14

    申请号:CN202110761463.X

    申请日:2021-07-06

    申请人: 重庆大学

    IPC分类号: G16H50/20 G10L15/08 G06K9/62

    摘要: 本发明涉及语音分类技术领域,具体公开了一种帕金森病语音样本段多类型重构变换方法,首先,设计重构算子对原始数据样本段进行变换,从而得到第一目标数据集;其次,考虑到样本间的差异性,对原始数据集进行聚类重构,得到第二目标数据集;再次,利用聚类重构的新样本段集对聚类后的数据样本集进行卷积处理,得到第三目标数据集;最后,基于这三个新数据集分别训练子分类器,然后对分类结果进行决策加权融合。本发明提出了基于多类型重构和聚类算法的PD语音样本变换算法,有效获得高质量新样本,从而提高识别准确率。实验结果表明本方法构建的三个新样本数据集都比变换前的原数据集具有较高的准确率。

    一种基于深度稀疏迁移学习的帕金森语音分类方法

    公开(公告)号:CN113284512A

    公开(公告)日:2021-08-20

    申请号:CN202110568802.2

    申请日:2021-05-25

    申请人: 重庆大学

    IPC分类号: G10L25/51 G10L25/66 G10L25/27

    摘要: 本发明涉及帕金森语音数据集分类技术领域,具体公开了一种基于深度稀疏迁移学习的帕金森语音分类方法,该方法首先采用基于中间集的稀疏迁移学习方法对帕金森公共语音数据集生成最优卷积核(步骤S1),进一步采用聚类方法聚类生成帕金森目标数据集A的深度样本空间(步骤S2),进一步采用卷积稀疏编码基于最优卷积核组生成深度样本空间dA的深度特征映射空间(步骤S3),进一步将深度特征映射空间dE向量化扩展为dG并划分为训练集和测试集(步骤S4)。本发明迁移适用于帕金森目标数据集A的最优结构表达并挖掘其复杂结构信息(步骤S1~S4),从而提高最终的分类准确率,LOSO交叉验证下准确率高达99.5%,优于目前的最优方法(准确率97.5%)。

    基于PSO卷积核优化稀疏迁移学习的帕金森语音识别系统

    公开(公告)号:CN111354338A

    公开(公告)日:2020-06-30

    申请号:CN202010119313.4

    申请日:2020-02-26

    申请人: 重庆大学

    摘要: 本发明公开一种基于PSO卷积核优化稀疏迁移学习的帕金森语音识别系统,包括:数据采集模块、公共数据库、目标数据库和分类识别器;系统将公共语音数据集的语音特征进行卷积稀疏学习,得到相应的卷积核;然后利用目标数据库中的一部分目标数据集进行卷积稀疏编码及样本和特征并行优选;通过PSO算法得到最优卷积核;然后基于最优卷积核,利用目标数据库中的另一部分目标数据集进行卷积稀疏编码及样本和特征并行优选;从而得到系统最优卷积核及最佳样本和特征;最后数据采集模块采集待测对象的语音数据基于最优卷积核进行卷积稀疏编码,提取编码后的最佳样本和特征,由分类识别器得出测试结果。本系统分类准确率高,样本需求量少,实施方便。

    基于语音混合信息特征协同优选判别的帕金森症检测装置

    公开(公告)号:CN107170445B

    公开(公告)日:2020-03-31

    申请号:CN201710325414.5

    申请日:2017-05-10

    申请人: 重庆大学

    IPC分类号: G10L15/08 G10L15/10 G10L17/04

    摘要: 本发明公开了一种基于语音混合信息特征协同优选判别的帕金森症检测装置,包括:信号采集器、处理器以及结果输出模块;所述信号采集器:用于获取诊断对象的语音信息;所述处理器:包括用于提取语音特征的特征提取模块以及预先训练好的分类器,通过所述分类器判断诊断对象是否属于帕金森症患者;所述结果输出模块:用于输出分类器的判断结果。本发明提供的一种基于语音混合信息特征协同优选判别的帕金森症检测装置,诊断过程采用分类器,通过大量数据训练和测试,精度高,而且使用方便。

    一种基于域适应技术的行人运动轨迹预测方法

    公开(公告)号:CN114723784A

    公开(公告)日:2022-07-08

    申请号:CN202210364770.9

    申请日:2022-04-08

    申请人: 重庆大学

    摘要: 本发明涉及自动驾驶技术领域,具体公开了一种基于域适应技术的行人运动轨迹预测方法,先采集训练数据集和测试数据集并进行预处理得到训练输入样本集X、训练输出参考集X′、测试输入样本集Y,后基于r个不同的域适应参数对X和Y进行域适应,得到数据集接着基于和X′构建r个时间序列卷积网络进行训练得到r个预测模型,而后将r个输入到r个预测模型中进行预测得到N个行人的r条预测路径,最后进行路径融合,得到每个行人的最优预测轨迹。本发明通过域适应处理使训练场景与实际应用场景数据分布近似一致,增强了预测模型的泛化能力,还通过改变域适应参数将观测轨迹映射为不同尺度训练输入轨迹,以利用到观测轨迹的更深层次信息,可使得预测轨迹更精准。

    一种基于域适应技术的行人运动轨迹预测方法

    公开(公告)号:CN114723784B

    公开(公告)日:2024-06-14

    申请号:CN202210364770.9

    申请日:2022-04-08

    申请人: 重庆大学

    IPC分类号: G06F30/27

    摘要: 本发明涉及自动驾驶技术领域,具体公开了一种基于域适应技术的行人运动轨迹预测方法,先采集训练数据集和测试数据集并进行预处理得到训练输入样本集X、训练输出参考集X′、测试输入样本集Y,后基于r个不同的域适应参数对X和Y进行域适应,得到数据集#imgabs0#接着基于#imgabs1#和X′构建r个时间序列卷积网络进行训练得到r个预测模型,而后将r个#imgabs2#输入到r个预测模型中进行预测得到N个行人的r条预测路径,最后进行路径融合,得到每个行人的最优预测轨迹。本发明通过域适应处理使训练场景与实际应用场景数据分布近似一致,增强了预测模型的泛化能力,还通过改变域适应参数将观测轨迹映射为不同尺度训练输入轨迹,以利用到观测轨迹的更深层次信息,可使得预测轨迹更精准。