CN114526727B - 一种基于决策树的步数判别方法 - Google Patents
一种基于决策树的步数判别方法 Download PDFInfo
- Publication number
- CN114526727B CN114526727B CN202210025020.9A CN202210025020A CN114526727B CN 114526727 B CN114526727 B CN 114526727B CN 202210025020 A CN202210025020 A CN 202210025020A CN 114526727 B CN114526727 B CN 114526727B
- Authority
- CN
- China
- Prior art keywords
- decision tree
- acceleration
- motion
- wave
- wave crest
- 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.)
- Active
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000001133 acceleration Effects 0.000 claims abstract description 56
- 230000035945 sensitivity Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000006399 behavior Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
- G01C22/006—Pedometers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于决策树的步数判别方法,该方法以实现多种运动模式下的高精度步数检测为目的,步骤为:首先采用佩戴在行人身上的微惯性参考系统(MIMU)求取行人在x、y、z三轴方向上的加速度信息,判别出当下的多种特征统计量的灵敏度,并根据三轴的和加速度构建波峰波谷决策树,最后根据决策树和特征统计量对行人步数进行检测判别。本发明利用MIMU采集的特征统计量和波峰波谷决策树相结合,能够很好的避免因行人行走抖动带来的伪波峰、伪波谷以及不同运动模式中特征值灵敏度不同对步数检测造成的影响,从而提高行人步数检测准确性。
Description
技术领域
本发明属于惯性导航技术领域,涉及一种基于决策树的新型行人步数检测方法。
背景技术
在弱星环境下,如城市峡谷或高大建筑物旁,以GPS或北斗为代表的卫星信号会被遮挡折射,导致导航定位效果欠佳,以MEMS(Micro-Electro-Mechanical System)惯性传感器(又称MIMU)为基础的部件的惯性导航具有不受干扰、完全自主式导航定位的特点,因此在复杂地形中的行人位置信息的捕获多交由MIMU为主的惯性导航技术来完成,但是传统的MIMU由于本身的原理性缺陷,会存在误差累积。
由于佩戴MIMU设备的人员个人行为差异大,部分传统的步数识别方法多采用单一特征统计量作为判决条件,导致在原有的累积误差基础上更难保证稳定精度,同时也不能解决行人在多种运动模式(奔跑、上楼、下楼、行走)的切换下的姿态运动信息突变造成特征统计量失灵的问题,以上问题均会导致步数识别过程当中的误判和漏判。采取多样的特征统计量作为判决条件是目前研究的重点方向。
决策树作为当下人工智能深度学习领域中的一个研究热点,在学习样本数据的内在规律和表示层次,模拟和扩展人的智能的功能,可以对惯性传感系统中非线性数据进行很好的拟合和补偿,滤除噪音和跳变数据,因此成为惯性导航精度优化研究领域中的热点,具有重要的研究意义和实用价值。
发明内容
本发明以实现多种运动模式下的高精度步数检测为目的,提供一种基于决策树的行人步数判别方法。本发明采用决策树下的多种特征统计量作为判别标准的方法进行步数判别,在提高步数识别精准度的基础上,同时解决复杂地形环境(包含走、跑、上下楼多种运动模式)下单一特征量突变、识别错误的问题。
为了实现上述目的,本发明采用了如下技术方案:一种基于决策树的步数判别方法,包括以下步骤:
步骤1,采集姿态运动数据,从姿态运动数据中提取以加速度信息为主的运动信息(包括标准差、偏度、峰度和相关系数),将其作为后续识别运动模式和步数检测的特征统计量。
步骤2,对提取的运动信息进行灵敏度处理,选择灵敏度最高的特征统计量作为识别每种运动模式的优先判别统计量。
步骤3,对运动信息做和运算,得到第i个信息的和加速度信息将和加速度放入波峰决策树中滤除抖动伪波峰和非线性发散数据,放入波谷决策树中滤除伪波谷和噪音数据。
步骤4,将步骤3滤波处理后得到的数据与当前作为运动模式的最优判别条件相结合,若当前的作为运动模式判断优先条件的特征统计量保持高敏感度,则滤波后的已经历一个完整的波峰和波谷周期后便初步判断实现了一次步数计算,同时将更新步数统计数Cout,若当前的特征统计量敏感度不高,则保留当前值,等待下一个和加速度信息/>处理后再做判断,避免误判、漏判的问题,保证步数判别的精确性。
还包括调整信号预处理网络的权重以及更新当前运动状态的反馈算法,将步骤4处理后得到的和加速度作为反馈算法的输入,若自身优先判别特征量与下一个和加速度信息/>中作为运动模式优先判别条件的特征统计量相同,则判断行人处于同一种运动模式;若优先特征统计量不同或者灵敏度不高,则判断为行人的运动模式发生变化,从而准确判断出行人当下的运动状态,调整加速度阈值Accth大小,实时更新状态方程。
进一步,所述灵敏度处理包括标准差能有效区分静态行为和动态行为,/>信号在X轴的偏度能有效区分下楼与其他动作,Y轴的峰度能有效区分跑步与其他动作,Y轴、Z轴的相关系数能有效判别慢走和上楼,将上述四种特征量作为四种运动模式判断的优先判别统计量。
步骤3所述波决策树和峰波谷决策树具体为:将当下的和加速度信息与上一时刻和加速度信息/>和下一时刻和加速度信息/>做比较,若大于/>和/>则初步判定为波峰,若小于/>和/>则初步判定为波谷,随后将判定结果与该运动模式下的预设的波峰或波谷阈值做对比,若满足阈值条件则最终判定为波峰点或者波谷点,找到后将波峰点个数Cre或者波谷点个数Tro个数和加一,并更新当前的和加速度值为波峰值Amax或波谷值Amin。波峰点个数Cre和波谷点个数Tro都加一,则表示经历了一个完整的运动周期,可以初步判断行人已经完成了一次跨步运动。
本发明利用MIMU采集的特征统计量和波峰波谷决策树相结合,能够很好的避免因行人行走抖动带来的伪波峰、伪波谷以及不同运动模式中特征值灵敏度不同对步数检测造成的影响,从而提高行人步数检测准确性
附图说明
图1是本发明的系统构架图;
图2是本发明的流程框图;
图3是本发明波峰波谷决策树的逻辑判断流程示意图;
图4是本发明针实际验证结果对比图。
具体实施方式
结合图1和图2,本发明包括以下步骤:
步骤1:以配备无线网卡的计算机为基础,构建新型行人步数判别系统,图1所示为系统构架,以提升行人步数估算的精度为目标,并基于市场化普及程度,配备无线网卡和STM32 F103RET6芯片的MIMU为行人的穿戴设备,获取行人的以加速度信息为主的姿态运动信息,在MIMU进行滤波和步数识别后将结果回传本计算机。
MIMU每个采样时间采集到的以加速度为主的运动信息,将第i个运动姿态信息表示如下:
其中ax为MIMU中X轴的加速度信息,ay为Y轴的加速度信息,az为Z轴的加速度信息。
步骤2:为了验证特征统计量对于不同运动状态的灵敏度,本发明将MIMU佩戴在同一实验人员身上,在针对同一复杂场地进行了运动测试,并将实验过程中的加速度信号进行采集。以包含多种地形(行走、奔跑、上楼、下楼、站立)的环境为应用场景,使用佩戴于行人身上的MIMU设备采集姿态运动数据,从姿态运动数据中提取加速度信息为主的标准差、偏度、峰度、相关系数等特征统计量,MIMU采集到的第i个的加速度信息可表示为σi为第i个加速度信息的标准差,SKi为第i个加速度信息的偏度,Ki为第i个加速度信息的峰度,第i个加速度信息的相关系数。
标准差:在概率统计中最常使用的作为统计分部的测量依据,能够反应一个数据集的离散程度,是表示精确度的重要指标,表达式为:
式中N为样本数,为样本平均数,Xi表为当前时刻MIMU采集到样本数据。标准差时经常被使用的统计值之一。
偏度:是统计数据分布偏斜方向和程度的度量,是用来度量统计数据分布非对称程度的数字特征,表达式为:
式中N为样本数,为样本平均值,σi为样本标准差。
峰度:是用来衡量数据分布的陡峭程度,描述总体中所有取值分布形态陡缓程度的统计量,公式为:
式中为样本平均值,N为样本数,σi为样本标准差,fi为样本间隔。
相关系数:描述两个变量之间的相关程度。是用以反映变量之间相关关系密切程度的统计指标,公式为:
式中和/>分别为两个样本的平均值,N为样本数。
步骤3:对提取的数据特征统计量进行灵敏度处理,为了验证特征统计量对于不同运动状态的灵敏度,将MIMU佩戴于实验人员身上针对同一复杂场地进行多次运动测试,实验人员在试验场地中将会进行包含上楼、下楼、行走、奔跑多种运动模式,根据采集到的特征统计量结果可以得出,标准差可以有效区分静态行为和动态行为,/>信号在X轴的偏度可以有效区分下楼与其他动作,Y轴的峰度能有效区分跑步与其他几种动作,Y轴、Z轴的相关系数则可以有效判别慢走和上楼,将上述四种特征量作为四种运动模式判断的优先判别统计量。
步骤4:根据MIMU采集得到的三轴加速度做和运算,得到第i个信息的和加速度信息将和加速度/>放入波峰决策树中滤除因人为抖动伪波峰和非线性发散数据,放入波谷决策树中滤除伪波谷和噪音数据,使MIMU中的姿态运动数据可以快速分类识别处理跳变数据,减小计算量。
步骤5:将MIMU采集到的第i个信息的和加速度信息放入波峰波谷决策树进行滤波处理后得到的数据再与当前作为运动模式的最优判别条件相结合,若当前的作为运动模式判断优先条件的特征统计量保持高敏感度,则滤波后的/>已经历一个完整的波峰和波谷周期后便初步判断实现了一次步数计算,同时将更新步数统计数Cout,若当前的特征统计量敏感度不高,则保留当前值,等待下一个和加速度信息/>处理后再做判断。
步骤6:将处理后得到的加速度信息作为反馈算法的输入,反向反馈算法通过和加速度信息的反向传播调整信号预处理网络的权重,若自身优先判别特征量与下一个和加速度信息/>中作为运动模式优先判别条件的特征统计量相同,则判断行人处于同一种运动模式;若优先特征统计量不同或者灵敏度不高,则判断为行人的运动模式发生变化,需要重新进行优先特征统计量的筛选处理,以避免发生运动模式变化但是波峰波谷决策树阈值变动不及时所引起的步数误判和漏判的问题。
构建波峰波谷步数决策树,如图3所示,首先将当下的和加速度信息与上一时刻和加速度信息/>和下一时刻和加速度信息/>做比较,若大于/>和/>则初步判定为波峰,若小于/>和/>则初步判定为波谷,随后将判定结果与该运动模式下的预设的波峰波谷阈值做对比,若满足阈值条件则最终判定为波峰点或者波谷点,找到后将波峰点个数Cre或者波谷点个数Tro个数和加一,并更新当前的和加速度值为波峰值Amax或波谷值Amin,最后将处理后得到的加速度信息/>作为反向反馈算法的输入,反馈算法通过和加速度信息的反向传播调整信号预处理网络的权重以及更新当前运动状态。
公式(6)为状态更新方程,公式(7)为权重更新方程,Tk表示当前运动状态状态,B表示和加速度转换矩阵,A为状态转移矩阵,α为和加速度判别系数,β为运动模式选择系数。Accth表示加速度识别阈值。
在试验场地,让实验人员佩戴微航姿进行多次运动测试。将微航姿器件采集到的三轴加速度信号进行求和,将和加速度数据导入MIMU决策树模型进行滤波后。如图4所示,对滤波前后对比可知,能得到比较平滑的信号波形。
Claims (6)
1.一种基于决策树的步数判别方法,其特征在于,包括以下步骤:
步骤1,采集姿态运动数据,从姿态运动数据中提取以加速度信息为主的运动信息;
步骤2,对提取的运动信息进行灵敏度处理,获得特征统计量;
步骤3,对运动信息做和运算,得到第i个信息的和加速度信息将和加速度放入波峰决策树中滤除抖动伪波峰和非线性发散数据,放入波谷决策树中滤除伪波谷和噪音数据;
步骤4,将步骤3滤波处理后得到的数据与当前作为运动模式的最优判别条件相结合,若当前的作为运动模式判断优先条件的特征统计量保持高敏感度,则滤波后的已经历一个完整的波峰和波谷周期后便初步判断实现了一次步数计算,同时将更新步数统计数Cout,若当前的特征统计量敏感度不高,则保留当前值,等待下一个和加速度信息/>处理后再做判断。
2.根据权利要求1所述一种基于决策树的步数判别方法,其特征在于:还包括调整信号预处理网络的权重以及更新当前运动状态的反馈算法,将步骤3处理后得到的和加速度作为反馈算法的输入,若自身特征统计量与下一个和加速度信息/>中作为运动模式判断优先条件的特征统计量相同,则判断行人处于同一种运动模式;若特征统计量不同或者灵敏度不高,则判断为行人的运动模式发生变化。
3.根据权利要求2所述一种基于决策树的步数判别方法,其特征在于:所述反馈算法通过和加速度信息的反向传播调整信号预处理网络的权重以及更新当前运动状态,状态更新方程和权重更新方程分别为:
Tk表示当前状态状态,B表示和加速度转换矩阵,A为状态转移矩阵,α为和加速度判别系数,β为运动模式选择系数,Accth表示加速度识别阈值。
4.根据权利要求1所述一种基于决策树的步数判别方法,其特征在于:所述运动信息包括标准差、偏度、峰度和相关系数。
5.根据权利要求1所述一种基于决策树的步数判别方法,其特征在于:所述灵敏度处理包括标准差能有效区分静态行为和动态行为,/>信号在X轴的偏度能有效区分下楼与其他动作,Y轴的峰度能有效区分跑步与其他动作,Y轴、Z轴的相关系数能有效判别慢走和上楼,将上述四种特征量作为四种运动模式判断的特征统计量,/>表示第i个加速度信息。
6.根据权利要求1所述一种基于决策树的步数判别方法,其特征在于:所述步骤3中波峰决策树、波谷决策树具体为:将当下的和加速度信息与上一时刻和加速度信息和下一时刻和加速度信息/>做比较,若大于/>和/>则初步判定为波峰,若小于/>和/>则初步判定为波谷,随后将判定结果与该运动模式下的预设的波峰或波谷阈值做对比,若满足阈值条件则最终判定为波峰点或者波谷点,找到后将波峰点个数Cre或者波谷点个数Tro个数和加一,并更新当前的和加速度值为波峰值Amax或波谷值Amin。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210025020.9A CN114526727B (zh) | 2022-01-11 | 2022-01-11 | 一种基于决策树的步数判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210025020.9A CN114526727B (zh) | 2022-01-11 | 2022-01-11 | 一种基于决策树的步数判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114526727A CN114526727A (zh) | 2022-05-24 |
CN114526727B true CN114526727B (zh) | 2023-11-21 |
Family
ID=81620481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210025020.9A Active CN114526727B (zh) | 2022-01-11 | 2022-01-11 | 一种基于决策树的步数判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114526727B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107091650A (zh) * | 2017-04-27 | 2017-08-25 | 重庆邮电大学 | 一种基于手机加速度和距离传感器的软件计步方法 |
CN107250727A (zh) * | 2014-09-15 | 2017-10-13 | 牛津大学创新有限公司 | 确定移动设备在地理区域中的位置 |
CN108426573A (zh) * | 2017-02-14 | 2018-08-21 | 中兴通讯股份有限公司 | 一种终端设备的行人步态检测方法及终端设备 |
CN109682375A (zh) * | 2019-01-21 | 2019-04-26 | 重庆邮电大学 | 一种基于容错决策树的uwb辅助惯性定位方法 |
CN110068322A (zh) * | 2019-04-18 | 2019-07-30 | 中国电子科技集团公司电子科学研究院 | 一种基于终端的行人定位方法及行人定位装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5392157B2 (ja) * | 2010-03-19 | 2014-01-22 | 富士通株式会社 | モーション判定装置、モーション判定方法、およびコンピュータプログラム |
-
2022
- 2022-01-11 CN CN202210025020.9A patent/CN114526727B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107250727A (zh) * | 2014-09-15 | 2017-10-13 | 牛津大学创新有限公司 | 确定移动设备在地理区域中的位置 |
CN108426573A (zh) * | 2017-02-14 | 2018-08-21 | 中兴通讯股份有限公司 | 一种终端设备的行人步态检测方法及终端设备 |
WO2018149324A1 (zh) * | 2017-02-14 | 2018-08-23 | 中兴通讯股份有限公司 | 一种检测方法及终端设备 |
CN107091650A (zh) * | 2017-04-27 | 2017-08-25 | 重庆邮电大学 | 一种基于手机加速度和距离传感器的软件计步方法 |
CN109682375A (zh) * | 2019-01-21 | 2019-04-26 | 重庆邮电大学 | 一种基于容错决策树的uwb辅助惯性定位方法 |
CN110068322A (zh) * | 2019-04-18 | 2019-07-30 | 中国电子科技集团公司电子科学研究院 | 一种基于终端的行人定位方法及行人定位装置 |
Non-Patent Citations (3)
Title |
---|
一种波峰波谷检测的智能手机计步算法;毕京学 等;中国惯性技术学报;第28卷(第3期);全文 * |
基于MEMS传感器组合的行人室内高度定位算法;刘宇 等;压电与声光;第41卷(第5期);全文 * |
基于足底加速度传感器的人体行为识别;严金戈;中国优秀硕士学位论文全文数据库;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114526727A (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019233189A1 (zh) | 一种传感网络异常数据检测方法 | |
CN104538041B (zh) | 异常声音检测方法及系统 | |
CN116484307B (zh) | 基于云计算智能戒指远程控制方法 | |
CN103473540B (zh) | 智能交通系统车辆轨迹增量式建模与在线异常检测方法 | |
CN116306323B (zh) | 一种数字孪生模型的确定方法、装置、终端设备及介质 | |
CN107219924A (zh) | 一种基于惯性传感器的空中手势识别方法 | |
CN101484910A (zh) | 聚类系统及缺陷种类判定装置 | |
CN112613225B (zh) | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 | |
CN108510011B (zh) | 一种基于手机多传感器的用户出行方式分析方法 | |
CN113157678B (zh) | 一种多源异构数据关联方法 | |
CN113256690B (zh) | 一种基于视频监控的行人多目标跟踪方法 | |
CN111739053A (zh) | 一种复杂场景下的在线多行人检测跟踪方法 | |
CN114882069A (zh) | 基于lstm网络和注意力机制的出租车轨迹异常检测方法 | |
CN116756825A (zh) | 一种中小跨径桥梁的群结构性能预测系统 | |
CN111291216A (zh) | 一种基于人脸结构化数据的落脚点分析方法和系统 | |
CN114526727B (zh) | 一种基于决策树的步数判别方法 | |
CN115952410B (zh) | 一种基于深度学习的滑坡灾害检测系统 | |
CN105930430B (zh) | 一种基于非累积属性的实时欺诈检测方法及装置 | |
CN117370813A (zh) | 一种基于k线模式匹配算法的大气污染深度学习预测方法 | |
CN116049158A (zh) | 一种基于多传感器数据融合算法的土壤信息采集方法 | |
CN116702588A (zh) | 一种基于多源数据的风电场关键气象因子预报方法及系统 | |
CN109685111A (zh) | 动作识别方法、计算系统、智能设备及存储介质 | |
CN114491410A (zh) | 运动模式的识别方法、系统、智能穿戴设备及存储介质 | |
Zha et al. | Individual travel transportation modes identification based on deep learning algorithm of attention mechanism | |
CN112529299A (zh) | 基于arima和lstm混合神经网络的短交通流预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |