CN116205469B - 一种基于物理信道的船舶驾驶员活跃状态监测方法及装置 - Google Patents
一种基于物理信道的船舶驾驶员活跃状态监测方法及装置 Download PDFInfo
- Publication number
- CN116205469B CN116205469B CN202310492596.0A CN202310492596A CN116205469B CN 116205469 B CN116205469 B CN 116205469B CN 202310492596 A CN202310492596 A CN 202310492596A CN 116205469 B CN116205469 B CN 116205469B
- Authority
- CN
- China
- Prior art keywords
- duty
- data
- activity
- driver
- phase
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 82
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 239000006185 dispersion Substances 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000012706 support-vector machine Methods 0.000 claims abstract description 8
- 238000011157 data evaluation Methods 0.000 claims abstract description 5
- 238000012806 monitoring device Methods 0.000 claims abstract description 5
- 230000000875 corresponding effect Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 19
- 230000033001 locomotion Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 13
- 239000000969 carrier Substances 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 17
- 230000009471 action Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011065 in-situ storage Methods 0.000 description 3
- 101100494448 Caenorhabditis elegans cab-1 gene Proteins 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009183 running Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Navigation (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于物理信道的船舶驾驶员活跃状态监测方法,步骤如下:A、采集驾驶员值班状态信息;B、解析状态信息的幅值与相位;C、预处理幅值与相位,筛选驾驶员值班状态高关联度数据;D、多层级离散度特征提取得到离散度特征,利用数据评价算法选出最优特征值组;E、筛选最优特征值,利用支持向量机进行分类,识别值班人数;F、建立活跃度评价系统,进行活跃度评价,得出驾驶员值班活跃度;G、构建值班人员最低活跃度标准,判断是否处于安全航行状态。本发明还公开了一种基于物理信道的船舶驾驶员活跃状态监测装置。本发明扩展了对船舶驾驶员行为监测的技术手段,为相关技术的应用提供了参考,可以广泛应用于智能交通船舶驾驶领域。
Description
技术领域
本发明涉及智能交通船舶驾驶领域,尤其涉及一种基于物理信道的船舶驾驶员活跃状态监测方法及装置。
背景技术
人为因素造成的事故占所有海上交通事故的75%-96%,其中因疲劳、疏忽等导致的值班船员不当行为是其中最主要的因素。因此对船舶驾驶员的值班状态进行准确的事中评估不仅可以掌握值班船员具体情况,也是及时干预与纠正不当值班行为的基础。
现有驾驶员驾驶状态检测技术在船舶环境中受限,检测精度不足。红外监测预警系统无法区分人体热量和机器散热;重力传感器监测和早期预警系统存在价格高昂的缺陷,而且船舶驾驶员可以在驾驶室内移动,因此导致该系统在实际使用中存在鲁棒性差的问题;由于驾驶室噪音过大,声音传感器监测预警系统无法准确检测到值班驾驶员的声音;医用可穿戴机械的监测预警系统与驾驶员有身体接触,不仅会引起驾驶员的反感,同时会对驾驶员实施船舶操纵产生影响;差分背景图像监测预警系统仅适用于单人驾驶台定位监视,对多人驾驶监测精度不满足实际应用要求。船舶驾驶室存在夜间光线不足、热源设备等遮挡物多、值班驾驶员数量多等特点,使得上述检测方式在船舶环境中精度受到限制。
为了增加航行安全,降低事故发生率,本文针对人员因素中的驾驶员值班状态这一问题,提出一种基于物理信道的船舶驾驶员活跃状态监测方法及装置。
发明内容
本发明的目的是实现对船舶值班人员驾驶状态进行监测,包括对驾驶员数量与值班活跃度作出分析,研究结果将基于物理信号的智能感知技术引入水运交通信息化领域,扩展了对船舶驾驶员行为监测的技术手段,为智能传感技术在水运智能化方面的应用提供了参考。
本发明提供的一种基于物理信道的船舶驾驶员活跃状态监测方法,包括如下步骤:A、采集船舶驾驶室环境中各种值班类别的物理信号得到驾驶员值班状态信息;B、对原始数据进行解析,得到物理信道状态信息的幅值与相位;C、对得到的幅值与相位进行预处理,去除相位中的噪声干扰以及幅值中的不良数据,筛选出对驾驶员值班状态高关联度数据;D、对筛选出的高关联度数据进行基于统计信息的多层级离散度特征提取,得到多个离散度特征,利用数据评价算法对特征性能进行评价选出最优特征值组;E、对筛选后的不同值班状态的最优特征值,利用支持向量机对最优特征值组进行分类,识别不同值班状态下的值班人数;F、建立活跃度评价系统,将不同值班状态的最优特征值组与值班人数作为输入,进行活跃度评价,得出当前状态下的驾驶员值班活跃度;G、构建值班人员最低活跃度标准,将当前状态的驾驶员值班活跃度与安全航行最低活跃度进行对比,判断是否处于安全航行状态。
在上述技术方案中,所述步骤B的具体过程如下:B1、对原始值班数据进行解析,得到船舶驾驶室内值班状态的信道状态信息,表示如下:,其中,和/>分别是接收端和发射端信号的频域表示,/>为t时刻的信道频率响应,为一个复数值,单个子载波的信道频率响应为:/>,其中,/>为中心频率为/>的第k个子载波的CSI信息,‖H(/>)‖为子载波的幅度信息,/>为子载波的相位信息;B2、以每一个/>代表单个子载波的幅度和相位,其中,第i个子载波的定义式为:,其中,H是复数/>,计算得到复数的模/>和幅角/>,也就是该单个子载波对应的幅度和相位。
在上述技术方案中,所述步骤C的具体过程如下:C1、对信道状态信息的相位信息进行预处理,去除其中的噪声,其处理方法为:,,其中,/>是接收响应的相位的斜率,/>是偏移;子载波频率是对称的,即/>,由原始相位信息/>减去线性组合/>,通过消除载波频率偏移得到真实的相位信息/>的线性组合:/>,式中,/>代表真实的相位信息,/>为原始相位信息,/>是接收响应的相位的斜率,/>是偏移,/>表示第/>个子载波的索引;C2、使用Hampel滤波的方法对信道状态信息的幅值数据中存在的部分离群值进行过滤,清除环境干扰;C3、使用模糊C-means聚类算法对人体运动情况下各子载波与驾驶员值班行为的相关性进行评价,对相同信道链路中不同子载波进行聚类并求出不同类别的相关系数,在所有子载波中选出相关系数最大的若干子载波,将其设置为驾驶员高关联度数据。
在上述技术方案中,所述步骤C2的具体步骤如下:C21、设定在区间外的点为异常值点,其中/>和/>分别是数据序列的中位数和中位数绝对偏差,/>是与系统相关的一个系数;C22、将与异常值点距离在/>以内各点数值的平均值代替异常值点,得到清洗后的数据。
在上述技术方案中,所述步骤C3的具体步骤如下:C31、模糊C-means聚类算法通过最小化目标函数得到聚类中心:,/>,/>,其中,m为聚类的簇数或类数,N为样本数,C为聚类中心数;/>表示和样本特征维数相同的第j个聚类中心,/>表示第i个样本,/>表示样本/>对聚类中心/>的隶属度即/>属于/>的概率;/>是任意表示数据相似性即距离的度量;则最终收敛于Jm局部极小值点或鞍点终止条件的公式如下:/>,其中,t是迭代步数,/>是表示误差阈值的一个常数,表示迭代更新和/>直到前后两次隶属度最大变化值不超过误差阈值;C32、在所有子载波中选出相关系数最大的若干子载波,将其设置为驾驶员高关联度数据。
在上述技术方案中,所述步骤D的具体过程如下:D1、选择使用不同时间的船舶驾驶室信道状态信息幅值的欧氏距离和不同时间的信道状态信息相位的欧氏距离作为基本特征,各级特征如下:其中,第一层级特征:,式中/>为第/>条Wi-Fi链路中第/>次采样时接收到的船舶驾驶室值班情况的信道状态信息中CHCD的幅值,/>和/>分别为/>的信道状态信息幅值样本均值和信道状态信息相位样本均值,此时得出第一层级特征,将其设置为/>,/>;第二层级特征为固定时间间隔的两个第一层级特征之间的欧式距离,第二层级特征:/>,其中,/>函数为第/>条Wi-Fi链路接收到的第/>个和第/>个信道状态信息幅值之间的欧氏距离,/>函数为第/>条Wi-Fi链路接收到的第/>个和第/>个信道状态信息相位之间的欧氏距离,得出第二层级特征/>,/>,将其设置为/>和/>;第三层级特征为使用六条Wi-Fi链路的融合信息:/>,得出的特征为第三层级特征/>,/>,将其设置为/>和/>;计算第四个特征是在大小为W个包的时间滑动窗口上应用组合距离的统计分析,第四层级特征:,其中,/>为样本均值,/>为样本标准差,/>为样本变异系数,得出的第四层级特征/>,/>,将其设置为/>,/>;D2、将每一个层级特征下的一对特征值作为组合,计算四个层级的每一对特征值组合的Davies-Bouldin指数,计算公式如下:/>,其中,/>为第P组特征值组/>的样本均值和样本方差;D3、对所有特征对应用穷举搜索优化方法,其中目标函数/>是最小化为Davies-Bouldin指数的和,其公式为:/>,D4、选定特征值组/>,分别是原始特征为基于驾驶员值班信道状态信息的归一化幅值离散度/>、归一化幅值变异指数/>、归一化相位离散度/>以及相位变异指数/>。
在上述技术方案中,所述步骤E的具体过程如下:E1、选择适当的核函数和一个惩罚系数C>0,构造约束优化问题:/>,,/>,E2、使用序列最小优化算法求解第一步中的约束优化函数得到最优的α向量/>;E3、得到最优超平面的法向量/>,其中,/>是在求解对偶问题时得到的最优解向量,/>是核函数将输入特征空间中的样本映射到另一个高维空间中的特征向量,支持向量是距离最优超平面最近的训练样本,所述训练样本对应的值大于0;E4、找出所有的S个支持向量,即满足/>对应的样本/>,确定最终的分类决策函数为:/>,E5、确定分类模型后,基于已经得到的大量不同人数船员值班时的特征值数据,使用支持向量机算法构造分类模型。
在上述技术方案中,所述步骤F的具体过程如下:F1、对值班人数不同的实验组进行不同运动状态的数据采集,每个数据的信息量如下:,/>表示第j个指标的标准差,/>表示评价指标i与评价指标j之间的相关性,若/>越大,则给它分配更高的权重,第j个指标的客观权重如下:/>,F2、从所得4个层级的八个特征中选择特征值组/>,其中,原始特征为基于驾驶员值班信道状态信息的归一化幅值离散度/>、归一化幅值变异指数/>、归一化相位离散度/>和相位变异指数/>共四类信息,基于原始特征得出原始活跃度/>为:/>,F3、对特征值进行归一化处理并根据权重法进行赋权,得到基础活跃度/>为:,其中,/>为不同特征值的权重,根据不同人数的值班情况对数据进行处理,对不同值班人数的活跃度值按照SVM结果分配,将活跃度值投影进对应区间得出最终活跃度/>,并对数据进行归一化:/>,其中M为同一驾驶员值班活跃度等级下所有活跃度值的平均值,n为实验组数;F4、以平均值为中心确定/>,使,/>中包含的数据为所有数据的80%,对数据进行放缩,将/>放缩至对应的活跃度取值区间,得到最终驾驶员值班活跃度/>:/>,其中,与/>为实验所测值班情况所属活跃度等级评价中最小活跃度标准与最大活跃度标准值,/>为/>,/>为/>。
在上述技术方案中,所述步骤A中,所述物理信号为Wi-Fi信号。
本发明还提供了一种基于物理信道的船舶驾驶员活跃状态监测装置,具有计算机程序,所述计算机程序能够执行基于物理信道的船舶驾驶员活跃状态监测方法。
本发明基于物理信道的船舶驾驶员活跃状态监测方法及装置,具有以下有益效果:
本发明充分考虑了船舶环境中驾驶室存在夜间光线不足、热源设备等遮挡物多、值班驾驶员数量多等复杂因素,提出基于信道状态信息的驾驶员活跃度监测方法及装置。该方法主要通过数据预处理、活跃度评价模型、驾驶员值班状态判断三部分构成。本发明能有效识别驾驶员值班状态是否符合安全航行标准。本方法将基于物理信号的智能感知技术引入水运交通信息化领域,扩展了船舶驾驶员行为检测的技术手段,为智能传感技术在水运智能化方面的应用提供参考。
附图说明
图1是本发明基于物理信道的船舶驾驶员活跃状态监测方法的实施例的整体流程图;
图2是本发明基于物理信道的船舶驾驶员活跃状态监测装置的实施例的结构示意图;
图3是本发明实施例中信道状态信息进行高敏感度数据提取前后幅值对比示意图;
图4是本发明实施例中信道状态信息进行高敏感度数据提取前后相位对比示意图;
图5是本发明实施例中1-4人原地小幅度运动值班状态下对应的基于信道状态信息的驾驶员值班活跃度示意图;
图6是本发明实施例中1-4人正常瞭望、巡逻值班状态下对应的基于信道状态信息的驾驶员值班活跃度示意图;
图7是本发明实施例中1-4人会遇、进出港值班状态下对应的基于信道状态信息的驾驶员值班活跃度示意图;
图8是本发明实施例中不同特征值组实验结果对比图,其中A组特征组为第三层级特征与第四层级特征,B组特征组为第二层级特与第三层级特征,C组特征为第一层级特征与第二层级特征;
图9是本发明实施例实际场景模拟图;
图10是本发明实船场景下一般数据与高关联度数据活跃度评价结果对比图。
具体实施方式
下面结合附图及实施例对本发明作进一步的详细描述,但该实施例不应理解为对本发明的限制。
参见图1,本发明提供的技术方案是:一种基于物理信道的船舶驾驶员活跃状态监测方法,该方法包括以下步骤:
A.采集船舶驾驶室环境的不同值班状态的驾驶员值班Wi-Fi信号得到状态信息。
B.对原始数据进行解析,得到Wi-Fi信道状态信息的幅值与相位。
C.对得到的幅值与相位进行预处理,清洗掉其中的噪声干扰与不良数据,筛选出对驾驶员值班状态高关联度数据。
D.对筛选出的高关联度数据进行基于统计信息的多层级离散度特征提取,得到多个离散度特征,利用数据评价算法对特征性能进行评价选出最优特征值组。
E.对筛选后的不同值班状态的最优特征值,利用支持向量机对最优特征值组进行分类,识别不同值班状态下的值班人数。
F.建立活跃度评价系统,将不同值班状态的最优特征值组与值班人数作为输入,进行活跃度评价,得出当前状态下的驾驶员值班活跃度。
G.构建值班人员最低活跃度标准,将当前状态的驾驶员值班活跃度与安全航行最低活跃度进行对比,判断是否处于安全航行状态。
步骤A具体包括以下步骤:
在船舶驾驶室中架设两台使用英特尔5300网卡的路由器作为发射端和接收端,采集航行过程中船舶驾驶室内0~4人的不同值班状态下的驾驶员值班时原地通讯动作、行走动作、跑跳动作等多种动作的值班数据,设置传输速率为1000Hz。让驾驶员自由通过架设好设备的区域,依次以不同数量模拟工作人员正常工作时的运动状态,最低人数为0人,最高为4人。
步骤B具体包括如下步骤:
B1.原始数据通过带有5300网卡的路由器采集,采集到的数据在MATLAB上使用CSITool软件中相应程序完成解析。对原始值班数据进行解析,得到船舶驾驶室内值班状态的信道状态信息,可以表示为:
,
其中,和/>分别是接收端和发射端信号的频域表示,/>为t时刻的信道频率响应(CFR),为一个复数值。
单个子载波的信道频率响应为:
,
其中为中心频率为/>的第k个子载波的CSI信息,‖H(/>)‖为子载波的幅度信息,/>为子载波的相位信息。
B2.其中每一个代表一个子载波的幅度和相位。第i个子载波的定义式为:
,
H在MATLAB中以复数形式出现,可以计算得到得到复数的模/>和幅角,也就是对应的幅度和相位。
步骤C具体包括如下步骤:
C1.对信道状态信息的幅值与相位信息进行预处理,去除其中的噪声。其中对相位信息进行处理的方法为:
,
,
其中是是接收响应的相位的斜率,/>是偏移。由于子载波频率是对称的,那么,由原始相位信息/>减去线性组合/>,可以消除载波频率偏移得到真实的相位信息/>的线性组合:
,
式中代表清洗后的相位信息,/>为原始相位信息,其中/>是是接收响应的相位的斜率,/>是偏移,/>表示第/>个子载波的索引。
C2.信道状态信息的幅值数据中存在部分离群值,需要对离群值进行过滤清除环境干扰,具体过程为:
C21.使用Hampel滤波的方法,设定在区间外的点为异常值点,其中/>和/>分别是数据序列的中位数和中位数绝对偏差,/>是与系统相关的一个系数,最常用的值为3。
C22.将与异常值点距离在3以内各点数值的平均值代替异常值点,得到清洗后的数据。
C3.本发明选择值班状态高关联度数据减少船舶环境对结果的影响,将所使用数据对值班状态的反应灵敏度最大化。本发明使用模糊C-means聚类算法对人体运动情况下各子载波与驾驶员值班行为的相关性进行评价,对相同Wi-Fi链路中不同子载波进行聚类并求出不同类别的相关系数。
C31.模糊C-means聚类算法通过最小化目标函数来得到聚类中心:
,
,
,
其中,m为聚类的簇数(类数),N为样本数,C为聚类中心数。表示第j个聚类中心,和样本特征维数相同,/>表示第i个样本,/>表示样本/>对聚类中心/>的隶属度(即/>属于/>的概率),/>可以是任意表示数据相似性(距离)的度量。
则最终收敛于Jm的局部极小值点或鞍点终止条件的公式如下:
,
其中,t是迭代步数,ε是表示误差阈值的一个很小的常数,表示迭代更新uij和Jm直到前后两次隶属度最大变化值不超过误差阈值。由前式可知,相关系数越大的子载波组对于人体运动敏感性越大,相关系数越小的子载波组对于环境噪声敏感性越大,可以得出相关性与人体运动敏感性为正相关。
C32.在所有子载波中选出相关系数最大的7个子载波,将其设置为驾驶员高关联度数据(Crew High Correlation Data,CHCD)。
步骤D具体包括如下步骤:
D1. 本发明选择使用不同时间的船舶驾驶室信道状态信息幅值的欧氏距离和不同时间的信道状态信息相位的欧氏距离作为基本特征,各级特征如下:
第一层级特征:
,
式中为第/>条Wi-Fi链路中第/>次采样时接收到的船舶驾驶室值班情况的信道状态信息中CHCD的幅值,/>和/>分别为/>的信道状态信息幅值样本均值和信道状态信息相位样本均值。此时得出的特征为第一级特征/>,将其设置为/>,/>。
第二层级特征为固定时间间隔的两个第一层级特征之间的欧式距离,第二层级特征:
,
其中,函数为第/>条Wi-Fi链路接收到的第/>个和第/>个信道状态信息幅值之间的欧氏距离,/>函数为第/>条Wi-Fi链路接收到的第/>个和第/>个信道状态信息相位之间的欧氏距离。得出第二层级特征/>,/>,将其设置为/>和/>。
第三层级特征为使用六条Wi-Fi链路的融合信息:
,
得出的特征为第三层级特征,/>,将其设置为/>和/>。
计算最后一个特征即第四层级特征是在大小为W个包的时间滑动窗口上应用组合距离的统计分析,第四层级特征:
其中为样本均值,/>为样本标准差,/>为样本变异系数。得出的特征为第四层级特征/>,/>,将其设置为/>和/>。
D2.在本发明中,需要使用从先前定义的特征值集合中选择出最能反应值班情况的特征。为了选择最佳的特征组合,使分类精度最大化,需要将每一个层级特征下的一对特征值作为组合,计算四个层级的每一对特征值组合的Davies-Bouldin指数,计算公式如下:
,
其中,为第P组特征值组/>的样本均值和样本方差。
D3.然后在本发明中对所有特征对应用穷举搜索优化方法,其中目标函数为最小化为Davies-Bouldin指数的和,其公式为:
,
D4.最后选定特征值组。分别是原始特征为基于驾驶员值班信道状态信息的归一化幅值离散度/>、归一化幅值变异指数/>、归一化相位离散度/>以及相位变异指数/>。
步骤E具体包括如下步骤:
本步骤是使用SVM对上述四个特征值进行人员数量分类,对预先采集的值班船员数据进行训练得到最优超平面参数,高斯核函数在SVM中也叫作径向基核函数,是非线性分类SVM应用最多的核函数,也是本发明所使用的核函数,表达式为,而且某个输入空间的特征向量可以表示为:
,
输出结果即为驾驶室值班人员数量。(以上为步骤E的原理性介绍)
E1.选择适当的核函数和一个惩罚系数 C>0,构造约束优化问题:
,
,
,
E2.使用序列最小优化算法求解第一步中的约束优化函数得到最优的α向量;
E3.得到最优超平面的法向量,其中,/>是在求解SVM对偶问题时得到的最优解向量,/>是核函数将输入特征空间中的样本映射到另一个高维空间中的特征向量,根据SVM的定义,支持向量是距离最优超平面最近的训练样本,所述训练样本对应的/>值大于0;
E4.找出所有的S个支持向量,即满足对应的样本/>,最终的分类决策函数为:
,
E5.确定分类模型后,基于已经得到的大量不同人数船员值班时的特征值数据,便可直接使用支持向量机算法构造分类模型。
步骤F具体包括如下步骤:
根据CRITIC权重法计算4个特征值所包含的信息占比,对4个特征值赋予不同的权重,4个CSI特征值的加权和为原始活跃度,对值班人数不同的实验组进行不同运动状态的数据采集,进行活跃度计算,得出最大原始活跃度。(以上为步骤F的原理性介绍)
F1.对值班人数为1-4的实验组进行不同运动状态的数据采集,每个数据的信息量:
,
表示第j个指标的标准差,/>表示评价指标i与评价指标j之间的相关性。/>越大,第j个评价指标的在整个评价指标中的作用越大,就应该给它分配更高的权重。所以第j个指标的客观权重如下:
,
F2.本发明从所得4个层级共八个特征中选择特征值组。原始特征为基于驾驶员值班信道状态信息的归一化幅值离散度/>、归一化幅值变异指数/>、归一化相位离散度/>和相位变异指数/>。基于原始特征可以得出原始活跃度/>为:
,
F3.对特征值进行归一化处理后根据权重法进行赋权。得到基础活跃度为:
,
其中,为不同特征值的权重。本发明根据不同人数的值班情况对数据进行处理,对不同值班人数的活跃度值按照SVM结果分配,将活跃度值投影进对应区间得出最终活跃度/>,对数据进行归一化:
,
其中M为同一驾驶员值班活跃度等级下所有活跃度值的平均值,n为实验组数。得到活跃度平均值后,以平均值为中心确定,使/>,/>中包含的数据为所有数据的80%。对数据进行放缩,将/>放缩至对应的活跃度取值区间,得到最终驾驶员值班活跃度/>:
,
其中,与/>为实验所测值班情况所属活跃度等级评价中最小活跃度标准与最大活跃度标准值。/>为/>,/>为/>。
步骤G具体包括如下步骤:
G1.建立内河船舶值班人员最低活跃度标准。依据《中华人民共和国内河船舶船员值班规则》对不同种类与不同尺寸的船舶在不同航行情况下对值班人员的数量与工作状态要求存在差异,本发明依据规定对具体船舶及航行状态进行驾驶员活跃度划分。
G2.将当前驾驶员值班活跃度与值班人员最低活跃度标准做标准,判断船舶是否安全航行。
参见图2,本发明一种基于物理信道的船舶驾驶员活跃状态监测装置,包括以下部分:
数据采集模块:采集船舶驾驶室环境的不同值班状态的驾驶员值班Wi-Fi信号得到状态信息,并对原始数据进行解析,得到Wi-Fi信道状态信息的幅值与相位;
数据预处理模块:对得到的幅值与相位进行预处理,清洗掉其中的噪声干扰与不良数据,筛选出对驾驶员值班状态高关联度数据;
多层级特征处理模块:对筛选出的高关联度数据进行基于统计信息的多层级离散度特征提取,得到多个离散度特征,利用数据评价算法对特征性能进行评价选出最优特征值组,并对筛选后的不同值班状态的最优特征值,利用支持向量机对最优特征值组进行分类,识别不同值班状态下的值班人数;
活跃度评价模块:建立活跃度评价系统,将不同值班状态的最优特征值组与值班人数作为输入,进行活跃度评价,得出当前状态下的驾驶员值班活跃度;
安全航行判定模块:构建值班人员最低活跃度标准,将当前状态的驾驶员值班活跃度与安全航行最低活跃度进行对比,判断是否处于安全航行状态。
下面我们结合附图与现有技术对本发明在技术效果上的提升做详细比较:
图3和图4显示了原始数据与筛选后数据离散度对比图,其中横坐标为值班人数,纵坐标为固定时间间隔下同一条Wi-Fi链路的不同时刻信道状态信息间的幅值与相位基于变化距离得出的信号变化程度值。可以看出在筛选前随着人数的增多,数据的幅值和相位离散度对于人数的区分度可分辨率下降。筛选后的数据则呈现明显的阶梯状。
图5至图7显示的是选取一定时间段内驾驶室内人员模拟值班数据,利用本发明所引入的活跃度评价方法对船舶驾驶室不同人数情况下的不同动作进行活跃度评价的结果,其中图5为1-4人原地小幅度运动不同值班状态下对应的基于信道状态信息的驾驶员值班活跃度示意图,图6为1-4人正常瞭望、巡逻值班状态下对应的基于信道状态信息的驾驶员值班活跃度示意图,图7为1-4人会遇、进出港值班状态下对应的基于信道状态信息的驾驶员值班活跃度示意图。可以看出在同一运动情况下,活跃度与人数程现出正相关且区分度明显,说明用信号变化离散度作为活跃度评价依据可以准确判断出驾驶室内值班人员数量。当进行原地操舵、通讯等动作幅度较小的动作时,结果显示在相同人数情况下活跃度明显小于在正常值班巡逻和会遇、进出港等需要进行行走、跑跳等动作时的活跃度,本发明所用活跃度评价标准对不同动作有一定的区分度。
图8显示了选择不同特征组进行活跃度进行值班驾驶员活跃度检测结果图。其中A特征组为第三层级特征与第四层级特征,B特征组为第二层级特与第三层级特征,C特征为第一层级特征与第二层级特征。通过对比不同特征值组实验结果,本发明选出最优组合A特征组对驾驶员值班情况进行活跃度评价。
本发明目的是船舶环境下的人员活跃度检测,因此针对船对典型船舶室内场景做性能,包括驾驶室、客房、会议室。收集不同场景下的室内基础数据,如门宽以及室内面积等,根据场景的不同选择不同的设备放置方式。图9为本实施例实验场景模拟图,本发明实施例的实验场景为船长九号驾驶室1,所述驾驶室1的驾驶位2是一名值班船员3,在值班船员3两侧对称布置有发射端路由器4和接收端路由器5,两个路由器设置高度为1.2m,相聚3米,在值班船员3身后放置有作为数据处理单元的PC(personal computer,个人电脑)6,PC6接收发射端路由器4和接收端路由器5分别发来的数据,处理后再发回给发射端路由器4和接收端路由器5,而且,在值班船员3正后方设置有视频拍摄装置7。从中可以看出,实验采集多时间段不同值班情况的CSI 数据,通过值班视频确定值班驾驶员在实验阶段的值班行为。
图10为本文8000组实验结果对比展示,如图所示在无活跃度时与低活跃度时使用CHCD准确率提升结果为3.6%,在中活跃度与高活跃度时下CHCD的使用对活跃度检测准确率的提高更为显著,分别提高了7.8%,8.9%,图6为一般数据准确率与使用CHCD准确率及两种数据准确率差。造成这种现象原因是在人数较少与动作幅度较小情况下人员运动引起的变化相对于环境噪声与多人情况下更为明显,在人数与动作增加以后环境噪声与人体运动所引起的信号变化发生混淆,加大了对于活跃度评价的难度。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (8)
1.一种基于物理信道的船舶驾驶员活跃状态监测方法,其特征在于,包括如下步骤:
A、采集船舶驾驶室环境中各种值班类别的物理信号得到驾驶员值班状态信息;
B、对原始数据进行解析,得到物理信道状态信息的幅值与相位;
C、对得到的幅值与相位进行预处理,去除相位中的噪声干扰以及幅值中的不良数据,筛选出对驾驶员值班状态高关联度数据;
D、对筛选出的高关联度数据进行基于统计信息的多层级离散度特征提取,得到多个离散度特征,利用数据评价算法对特征性能进行评价选出最优特征值组,所述步骤D的具体过程如下:
D1、选择使用不同时间的船舶驾驶室信道状态信息幅值的欧氏距离和不同时间的信道状态信息相位的欧氏距离作为基本特征,各级特征如下:
其中,第一层级特征:
,
式中为第/>条Wi-Fi链路中第/>次采样时接收到的船舶驾驶室值班情况的信道状态信息中CHCD的幅值,/>和/>分别为/>的信道状态信息幅值样本均值和信道状态信息相位样本均值,此时得出第一层级特征/>,将其设置为/>,/>;
第二层级特征为固定时间间隔的两个第一层级特征之间的欧式距离,
第二层级特征:
,
其中,函数为第/>条Wi-Fi链路接收到的第/>个和第/>个信道状态信息幅值之间的欧氏距离,/>函数为第/>条Wi-Fi链路接收到的第/>个和第/>个信道状态信息相位之间的欧氏距离,得出第二层级特征/>,/>,将其设置为/>和/>;
第三层级特征为使用六条Wi-Fi链路的融合信息:
,
得出的特征为第三层级特征,/>,将其设置为/>和/>;
计算第四个特征是在大小为W个包的时间滑动窗口上应用组合距离的统计分析,第四层级特征:
,
其中,为样本均值,/>为样本标准差,/>为样本变异系数,得出的第四层级特征/>,/>,将其设置为/>,/>;
D2、将每一个层级特征下的一对特征值作为组合,计算四个层级的每一对特征值组合的Davies-Bouldin指数,计算公式如下:
,
其中,为第P组特征值组/>的样本均值和样本方差;
D3、对所有特征对应用穷举搜索优化方法,其中目标函数是最小化为Davies-Bouldin指数的和,其公式为:
,
D4、选定特征值组,分别是原始特征为基于驾驶员值班信道状态信息的归一化幅值离散度/>、归一化幅值变异指数/>、归一化相位离散度/>以及相位变异指数/>;
E、对筛选后的不同值班状态的最优特征值,利用支持向量机对最优特征值组进行分类,识别不同值班状态下的值班人数;
F、建立活跃度评价系统,将不同值班状态的最优特征值组与值班人数作为输入,进行活跃度评价,得出当前状态下的驾驶员值班活跃度,所述步骤F的具体过程如下:
F1、对值班人数不同的实验组进行不同运动状态的数据采集,每个数据的信息量如下:
,
表示第j个指标的标准差,/>表示评价指标i与评价指标j之间的相关性,若/>越大,则给它分配更高的权重,第j个指标的客观权重如下:
,
F2、从所得4个层级的八个特征中选择特征值组,其中,原始特征为基于驾驶员值班信道状态信息的归一化幅值离散度/>、归一化幅值变异指数/>、归一化相位离散度/>和相位变异指数共四类信息,基于原始特征得出原始活跃度/>为:
,
F3、对特征值进行归一化处理并根据权重法进行赋权,得到基础活跃度为:
,
其中,为不同特征值的权重,根据不同人数的值班情况对数据进行处理,对不同值班人数的活跃度值按照SVM结果分配,将活跃度值投影进对应区间得出最终活跃度/>,并对数据进行归一化:
,
其中M为同一驾驶员值班活跃度等级下所有活跃度值的平均值,n为实验组数;
F4、以平均值为中心确定,使/>,/>中包含的数据为所有数据的80%,对数据进行放缩,将/>放缩至对应的活跃度取值区间,得到最终驾驶员值班活跃度/>:
,
其中,与/>为实验所测值班情况所属活跃度等级评价中最小活跃度标准与最大活跃度标准值,/>为/>,/>为/>;
G、构建值班人员最低活跃度标准,将当前状态的驾驶员值班活跃度与安全航行最低活跃度进行对比,判断是否处于安全航行状态。
2.根据权利要求1所述基于物理信道的船舶驾驶员活跃状态监测方法,其特征在于,所述步骤B的具体过程如下:
B1、对原始值班数据进行解析,得到船舶驾驶室内值班状态的信道状态信息,表示如下:
,
其中,和/>分别是接收端和发射端信号的频域表示,/>为t时刻的信道频率响应,为一个复数值,
单个子载波的信道频率响应为:
,
其中,为中心频率为/>的第k个子载波的CSI信息,‖H(/> )‖为子载波的幅度信息,/>为子载波的相位信息;
B2、以每一个代表单个子载波的幅度和相位,其中,第i个子载波的定义式为:
,
其中,H是复数,计算得到复数的模/>和幅角/>,也就是该单个子载波对应的幅度和相位。
3.根据权利要求1所述基于物理信道的船舶驾驶员活跃状态监测方法,其特征在于,所述步骤C的具体过程如下:
C1、对信道状态信息的相位信息进行预处理,去除其中的噪声,其处理方法为:
,
,
其中,
是接收响应的相位的斜率,/>是偏移;
子载波频率是对称的,即,由原始相位信息/>减去线性组合/>,通过消除载波频率偏移得到真实的相位信息/>的线性组合:
,
式中,
代表真实的相位信息,/>为原始相位信息,/>是接收响应的相位的斜率,/>是偏移,表示第/>个子载波的索引;
C2、使用Hampel滤波的方法对信道状态信息的幅值数据中存在的部分离群值进行过滤,清除环境干扰;
C3、使用模糊C-means聚类算法对人体运动情况下各子载波与驾驶员值班行为的相关性进行评价,对相同信道链路中不同子载波进行聚类并求出不同类别的相关系数,在所有子载波中选出相关系数最大的若干子载波,将其设置为驾驶员高关联度数据。
4.根据权利要求3所述基于物理信道的船舶驾驶员活跃状态监测方法,其特征在于,所述步骤C2的具体步骤如下:
C21、设定在区间外的点为异常值点,其中/>和/>分别是数据序列的中位数和中位数绝对偏差,/>是与系统相关的一个系数;
C22、将与异常值点距离在以内各点数值的平均值代替异常值点,得到清洗后的数据。
5.根据权利要求3所述基于物理信道的船舶驾驶员活跃状态监测方法,其特征在于,所述步骤C3的具体步骤如下:
C31、模糊C-means聚类算法通过最小化目标函数得到聚类中心:
,
,
,
其中,m为聚类的簇数或类数,N为样本数,C为聚类中心数;表示和样本特征维数相同的第j个聚类中心,/>表示第i个样本,/>表示样本/>对聚类中心/> 的隶属度即/>属于/>的概率;/>是任意表示数据相似性即距离的度量;
则最终收敛于Jm局部极小值点或鞍点终止条件的公式如下:
,
其中,t是迭代步数,ε是表示误差阈值的一个常数,表示迭代更新uij和Jm直到前后两次隶属度最大变化值不超过误差阈值;
C32、在所有子载波中选出相关系数最大的若干子载波,将其设置为驾驶员高关联度数据。
6.根据权利要求1所述基于物理信道的船舶驾驶员活跃状态监测方法,其特征在于,所述步骤E的具体过程如下:
E1、选择适当的核函数和一个惩罚系数C>0,构造约束优化问题:
,
,
,
E2、使用序列最小优化算法求解第一步中的约束优化函数得到最优的α向量;
E3、得到最优超平面的法向量,
其中,是在求解对偶问题时得到的最优解向量,/>是核函数将输入特征空间中的样本映射到另一个高维空间中的特征向量,支持向量是距离最优超平面最近的训练样本,所述训练样本对应的/>值大于0;
E4、找出所有的S个支持向量,即满足对应的样本/>,确定最终的分类决策函数为:
,
E5、确定分类模型后,基于已经得到的大量不同人数船员值班时的特征值数据,使用支持向量机算法构造分类模型。
7.根据权利要求1所述基于物理信道的船舶驾驶员活跃状态监测方法,其特征在于,所述步骤A中,所述物理信号为Wi-Fi信号。
8.一种基于物理信道的船舶驾驶员活跃状态监测装置,具有计算机程序,所述计算机程序能够执行如权利要求1~7所述的基于物理信道的船舶驾驶员活跃状态监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310492596.0A CN116205469B (zh) | 2023-05-05 | 2023-05-05 | 一种基于物理信道的船舶驾驶员活跃状态监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310492596.0A CN116205469B (zh) | 2023-05-05 | 2023-05-05 | 一种基于物理信道的船舶驾驶员活跃状态监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116205469A CN116205469A (zh) | 2023-06-02 |
CN116205469B true CN116205469B (zh) | 2023-07-25 |
Family
ID=86511510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310492596.0A Active CN116205469B (zh) | 2023-05-05 | 2023-05-05 | 一种基于物理信道的船舶驾驶员活跃状态监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116205469B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110337066A (zh) * | 2019-05-21 | 2019-10-15 | 西安电子科技大学 | 基于信道状态信息室内人员活动识别方法、人机交互系统 |
WO2021160189A1 (zh) * | 2020-02-14 | 2021-08-19 | 重庆邮电大学 | WiFi干扰环境下的CSI人体跌倒识别方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200064444A1 (en) * | 2015-07-17 | 2020-02-27 | Origin Wireless, Inc. | Method, apparatus, and system for human identification based on human radio biometric information |
CN106658590B (zh) * | 2016-12-28 | 2023-08-01 | 南京航空航天大学 | 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现 |
CN111247565B (zh) * | 2017-09-06 | 2022-06-03 | 瑞士再保险有限公司 | 用于移动远程信息处理装置的电子日志记录和跟踪检测系统及其对应方法 |
WO2019078023A1 (ja) * | 2017-10-19 | 2019-04-25 | 日本電気株式会社 | 情報処理装置、制御方法、及びプログラム |
EP3671761A1 (en) * | 2018-12-21 | 2020-06-24 | Fundacion Cidetec | Assessing the functional performance of an individual |
CN112381063A (zh) * | 2020-12-02 | 2021-02-19 | 苏州科技大学 | 一种基于信道状态信息的人数统计方法 |
CN112949487A (zh) * | 2021-03-01 | 2021-06-11 | 武汉理工大学 | 一种基于WiFi的船舶驾驶室人员数量检测方法及系统 |
CN114707563A (zh) * | 2022-06-07 | 2022-07-05 | 湖南工商大学 | 一种基于Wi-Fi信道状态信息的人体动作识别方法 |
CN115998265A (zh) * | 2022-12-29 | 2023-04-25 | 章鱼博士智能技术(上海)有限公司 | 一种基于WiFi的驾驶员安全检测方法、装置和设备 |
-
2023
- 2023-05-05 CN CN202310492596.0A patent/CN116205469B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110337066A (zh) * | 2019-05-21 | 2019-10-15 | 西安电子科技大学 | 基于信道状态信息室内人员活动识别方法、人机交互系统 |
WO2021160189A1 (zh) * | 2020-02-14 | 2021-08-19 | 重庆邮电大学 | WiFi干扰环境下的CSI人体跌倒识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116205469A (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583342B (zh) | 基于迁移学习的人脸活体检测方法 | |
CN109522793B (zh) | 基于机器视觉的多人异常行为检测与识别方法 | |
CN111027378B (zh) | 行人重识别的方法、装置、终端及存储介质 | |
CN101923652B (zh) | 一种基于肤色和特征部位联合检测的色情图片识别方法 | |
CN103839379B (zh) | 汽车及用于其的驾驶员疲劳预警检测方法和系统 | |
CN110728241A (zh) | 一种基于深度学习多特征融合的驾驶员疲劳检测方法 | |
Li et al. | Autonomous flame detection in videos with a Dirichlet process Gaussian mixture color model | |
CN111582086A (zh) | 基于多特征的疲劳驾驶识别方法及系统 | |
CN101403676A (zh) | 基于d-s证据理论的绝缘子憎水性等级融合判决方法 | |
CN110837768A (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
CN107230267A (zh) | 基于人脸识别算法的幼儿园智能签到方法 | |
CN111145145B (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
CN106570490A (zh) | 一种基于快速聚类的行人实时跟踪方法 | |
Lin | PCA/SVM‐based method for pattern detection in a multisensor system | |
CN115527269B (zh) | 一种人体姿态图像智能识别方法及系统 | |
CN111079694A (zh) | 一种柜面助手履职监控装置和方法 | |
CN114463843A (zh) | 一种基于深度学习的多特征融合鱼类异常行为检测方法 | |
CN113569756A (zh) | 异常行为检测与定位方法、系统、终端设备及可读存储介质 | |
CN115294109A (zh) | 基于人工智能的实木板材生产缺陷识别系统、电子设备 | |
CN116205469B (zh) | 一种基于物理信道的船舶驾驶员活跃状态监测方法及装置 | |
CN116434203A (zh) | 考虑驾驶人语言因素的愤怒驾驶状态识别方法 | |
CN110660187A (zh) | 一种基于边缘计算的森林火警监测系统 | |
JP3648728B2 (ja) | 自己組織化特徴マップを用いた鋼材表面の劣化度評価システム | |
CN112801166B (zh) | 一种基于特征数据及维度缩放的黑色素瘤分类方法 | |
CN114298189A (zh) | 疲劳驾驶检测方法、装置、设备及存储介质 |
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 |