-
题名基于WiFi信道状态信息的人员活动持续时间估计
被引量：5
- 1
-
-
作者
刘立双
魏忠诚
张春华
王巍
赵继军
-
机构
河北工程大学信息与电气工程学院
河北省安防信息感知与处理重点实验室(河北工程大学)
河北工程大学公共体育部
-
出处
《计算机应用》
CSCD
北大核心
2019年第7期2056-2060,共5页
-
基金
国家自然科学基金资助项目(61802107)
河北省自然科学基金资助项目(F2018402251)
+1 种基金
邯郸市科学技术研究与发展计划项目(1721203048)
河北省物联网数据采集与处理工程技术研究中心开放课题(2016-2)~~
-
文摘
针对传统人员活动持续时间估计系统隐私性及灵活性较差的问题,分析信道状态信息(CSI)的幅度变化,提出了一个基于WiFi信道状态信息的人员活动持续时间估计系统。该系统重点将连续复杂的人员活动持续时间估计问题转化为离散简单的人员检测问题。首先,采集CSI信息并滤除异常值和噪声;其次,利用主成分分析法(PCA)进行子载波降维,获取主成分以及相应的特征向量;随后计算主成分方差和特征向量一阶差分均值,并将两者比值作为特征值训练反向传输神经网络(BPNN)模型;然后,利用训练好的BPNN模型进行人员检测,并当检测出有人员活动时,进一步对CSI数据进行等宽分割;最后,针对所有分割后的CSI数据实现人员检测,并依据符合人员检测结果的数据来估计人员活动的持续时间。在真实室内环境中对系统进行实验评估,人员检测平均准确率可达到97%,活动持续时间误差不超过10%。实验结果表明,该系统能够有效估计出人员活动的持续时间。
-
关键词
人员活动持续时间
信道状态信息
反向传输神经网络
人员活动检测
WIFI
-
Keywords
human motion lifetime
Channel State Information (CSI)
Back Propagation Neural Network (BPNN)
human motion detection
WiFi
-
分类号
TP391.413
[自动化与计算机技术—计算机应用技术]
-
-
题名边缘智能研究进展
被引量：18
- 2
-
-
作者
张晓东
张朝昆
赵继军
-
机构
河北工程大学信息与电气工程学院
天津大学智能与计算学部
河北省安防信息感知与处理重点实验室(河北工程大学)
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2023年第12期2749-2769,共21页
-
基金
国家重点研发计划项目(2019YFB2102400)
河北省高层次人才资助项目(B202003027)
天津市研究生科研创新项目(2021YJSO2S04)。
-
文摘
从智能手机、智能手表等小型终端智能设备,到智能家居、智能网联车等大型应用,再到智慧生活、智慧农业等,人工智能已经逐渐步入人们的生活,改变传统的生活方式.各种各样的智能设备会产生海量的数据,传统的云计算模式已无法适应新的环境.边缘计算在靠近数据源的边缘侧实现对数据的处理,可以有效降低数据传输时延,减轻网络传输带宽压力,提高数据隐私安全等.在边缘计算架构上搭建人工智能模型,进行模型的训练和推理,实现边缘的智能化,对于当前社会至关重要.由此产生的新的跨学科领域--边缘智能(edge intelligence,EI),开始引起了广泛的关注.全面调研了边缘智能相关研究:首先,介绍了边缘计算、人工智能的基础知识,并引出了边缘智能产生的背景、动机及挑战.其次,分别从边缘智能所要解决的问题、边缘智能模型研究以及边缘智能算法优化3个角度对边缘智能相关技术研究展开讨论.然后,介绍边缘智能中典型的安全问题.最后,从智慧工业、智慧生活及智慧农业3个层面阐述其应用,并展望了边缘智能未来的发展方向和前景.
-
关键词
边缘计算
人工智能
边缘智能
深度学习
云计算
-
Keywords
edge computing
artificial intelligence(AI)
edge intelligence(EI)
deep learning
cloud computing
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
-
题名基于标签混淆的院前急救文本分类模型
- 3
-
-
作者
张旭
生龙
张海芳
田丰
王巍
-
机构
河北工程大学信息与电气工程学院
河北省安防信息感知与处理重点实验室(河北工程大学)
邯郸市紧急救援指挥中心
河北工程大学医学院
-
出处
《计算机应用》
CSCD
北大核心
2023年第4期1050-1055,共6页
-
基金
国家自然科学基金资助项目(61802107)
河北省创新能力提升计划项目(215576135D)。
-
文摘
针对院前急救文本专业词汇丰富、特征稀疏和标签混淆程度大等问题,提出一种基于标签混淆模型(LCM)的文本分类模型。首先,利用BERT获得动态词向量并充分挖掘专业词汇的语义信息;然后,通过融合双向长短期记忆(BiLSTM)网络、加权卷积和注意力机制生成文本表示向量,提高模型的特征提取能力;最后,采用LCM获取文本与标签间的语义联系、标签与标签间的依赖关系,从而解决标签混淆程度大的问题。在院前急救文本和公开新闻文本数据集THUCNews上进行实验,所提模型的F1值分别达到了93.46%和97.08%,相较于TextCNN(Text Convolutional Neural Network)、BiLSTM、BiLSTM-Attention等模型分别提升了0.95%~7.01%和0.38%~2.00%。实验结果表明,所提模型能够获取专业词汇的语义信息,更加精准地提取文本特征,并能有效解决标签混淆程度大的问题,同时具有一定的泛化能力。
-
关键词
文本分类
院前急救文本
深度学习
加权卷积
标签混淆模型
-
Keywords
text classification
text of pre-hospital emergency
deep learning
weighted convolution
Label Confusion Model(LCM)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
