摘要：传统的Apriori算法要多次扫描数据集,随着数据量的快速增长,传统的Apriori算法已经不能很好地适用于大数据分析,针对该情况设计了IPApriori算法。首先通过剪枝策略设计了一种适用于多维数据的IApriori算法,再将IApriori算法与Hadoop分布式框架相结合,实现了多维关联规则挖掘算法的并行化。将IPApriori算法运用到手机用户行为预测关联分析中,分析影响手机用户行为的一些主要因素,挖掘出手机用户行为与年龄维度、性别维度、时间维度、地点维度和手机品牌维度属性之间可能存在的某种关联。最后通过实验证明,算法的并行化和建立结构的方法可以降低系统的I/O负荷,提高算法的执行效率。

摘要：针对简单的神经网络缺乏捕获文本上下文语义和提取文本内重要信息的能力,设计了一种注意力机制和门控单元(GRU)融合的情感分析模型FFA-BiAGRU。首先,对文本进行预处理,通过GloVe进行词向量化,降低向量空间维度;然后,将注意力机制与门控单元的更新门融合以形成混合模型,使其能提取文本特征中的重要信息;最后,通过强制向前注意力机制进一步提取文本特征,再由softmax分类器进行分类。在公开数据集上进行实验,结果证明该算法能有效提高情感分析的性能。

摘要：针对直接使用图像诱发的脑电信号进行视觉分类的现有研究少,并且视觉分类的平均准确率低等问题,设计了一种卷积神经网络(CNN)和集成学习相结合的方法,用于学习脑电信号相关的视觉特征表示。通过在StackCNN网络中加入K-max池化方法,解决在提取脑电特征时信息丢失的问题,并结合Bagging算法增强网络的泛化能力,该方法称为StackCNN-B。采用基于残差神经网络(ResNet)回归对图像进行分类,验证StackCNN-B方法在图像分类上的性能。消融实验及与现有研究对比实验的结果表明:所提方法识别准确率较高,在学习脑电信号的视觉特征表示上的平均准确率达到99.78%,在图像分类上的平均准确率达到96.45%,与Bi-LSTM-AttGW方法相比,平均提高了0.28百分点和2.97百分点。研究结果验证了脑电信号可以有效地解码与视觉识别相关的人类大脑活动,也表明所提出StackCNN-B模型的优越性。

摘要：本文分析了犬类生物的身体结构特点,从机械结构设计、控制系统、运动规划、智能化四个方面出发研究并设计了一台基于树莓派4B的四足机器人。本文分析并完成了四足机器人的机械结构设计,设计并实现了机器人的硬件及软件控制系统,分析了该机器人姿态解算与连续步态规划方法,并利用多传感器的融合提高了机器人的环境感知能力与智能性。

摘要：为了实现仿生机械手对人手动作高精度地模仿,设计开发一款以树莓派为主控板、肌电传感器与Arduino UNO为信号采集核心的基于肌电控制技术的仿生机械手操控系统。该系统能够采集当前动作的肌电信号,并对其进行处理和分析,自动匹配当前动作并向仿生机械手发出相应指令,从而实现对人手动作的实时模仿。经过测试,该系统可以在服务器稳定的前提下可靠地进行工作,具有一定的创新意义和实用性。

摘要：针对人形机器人步态设计的基本要领,分析控制机器人的重心,机器人向前迈步,以及机器人连续步态的技巧。机器人姿态的计算则利用惯性传感器所传回的四元数信息,计算欧拉角,控制其各种姿态。论文设计的方案和计算方法,经过实验教学的应用和检验,验证了该方法的有效性、可靠性和稳定性,取得了良好的效果。

摘要：基于ZigBee技术和多传感器数据融合设计并实现了双足人形机器人的室内定位与运动规划控制系统,并分别对机器人运动过程建立空间模型和姿态模型,以获得机器人实时位置及姿态信息,实现自主运动规划。系统将树莓派4B和32路串口总线舵机控制板结合起来作为核心控制平台,更好地实现了对机器人的方向控制、目标导航等功能。

摘要：针对人型机器人多样的使用需求及复杂的使用环境,本文设计出一款以高性能NVIDIA Jetson Nano为主控板,采用舵机驱动、搭载多个感知模块的智能双足人型机器人,通过ROS系统进行步态控制,依靠摄像头、多种传感器及配套算法实现姿态识别和空间位置计算,完成机器人整体的行动。

摘要：近年来实验室安全得到各大高校、企业及研究所等的重视,但人类获取信息的途径十分有限且可能存在巨大的危险,因此,代替人类进行实验室安全巡检工作的安全巡检机器人的设计与研发十分重要。本文设计了一款能获取多元信息、可室内定位进行自主避障、可语音交互的安全巡检机器人系统,并对其中涉及到的主要关键技术展开研究。测试结果表明:该款安全巡检机器人能够沿预定路线前进,且可以顺利地进行自主避障。

摘要：脑电波采集过程往往会包含生理噪声和外部噪声,外部噪声目前可以通过滤波进行消除,去除生理噪声通常采用的方法是自适应滤波器、空间滤波和主成分分析,但这些方法需要一定的信号作为先决条件,并且去噪性能有限。近年来,深度学习技术开始运用于脑电波去噪,而且在去噪性能上得到了一定提升。鉴于在生成对抗网络(GAN)的判别器和生成器博弈过程中,生成样本具有逐渐向真实样本逼近的特点,设计一种基于卷积神经网络(CNN)的生成对抗网络模型,用于消除脑电波生理噪声中的肌源性噪声和眼源性噪声,同时在GAN的生成器网络中引入新的损失函数,使去噪后的数据与原始数据更加接近。设计的GAN-1D-CNN模型在去除肌源性噪声上的相关系数达到0.945,在去除眼源性噪声上的相关系数达到0.894。实验结果表明,GAN-1D-CNN模型对脑电波的去噪能力得到了增强,相关性能指标都优于现有基准数据集上的去噪方法。