基于异构数据源的事件检测是物联网上的一类典型应用。现有技术已经可以实现对异构数据源的收集、过滤、表示及部分数据的低层次融合和分析,但对于隐藏结论获取等高层次信息融合仍然需要人工参与。针对这种情况,给出了基于轻量级描述逻辑εL⁺⁺的传感器网络事件检测方法,实现特定领域事件的实时自动检测。首先,针对传感器网络中的具体场景,用εL⁺⁺对传感器网络领域知识进行刻画；然后应用描述逻辑对待判定事件进行形式化描述；最后借助描述逻辑推理机制实现事件的自动检测。该方法充分发挥了描述逻辑的知识表示和推理能力,能够基于领域知识和具体数据进行自动的事件检测。

无线传感器网络(Wireless Sensor Network,WSN)系统性能的提高,离不开对WSN中每一个传感器节点地理位置的精准定位。全局人工蜂群算法在基本人工蜂群算法的基础上,在邻域搜索后将迭代最优解添加到新解的更新公式中,提高了算法的开发能力。但将其应用于WSN节点位置求解时,存在计算时间长、收敛不稳定的问题。提出一种改进的全局人工蜂群算法,在邻域搜索后对新解进行衡量,若新解适应值在可接受的范围内,与迭代最优解进行交叉操作；若新解适应值较好,不与迭代最优解进行交叉操作；若新解适应值较差,舍弃新解。这较好地平衡了算法的探索和开发能力。求解WSN节点位置时,证明了该算法有更快的收敛速度和更好的收敛效果。

针对因中文食品安全文本特征表达困难,而造成语义信息缺失进而导致分类器准确率低下的问题,提出一种基于深度神经网络的跨文本粒度情感分类模型。以食品安全新闻报道为目标语料,采用无监督的浅层神经网络初始化文本的词语级词向量。引入递归神经网络,将预训练好的词向量作为下层递归神经网络(Recursive Neural Network)的输入层,计算得到具备词语间语义关联性的句子特征向量及句子级的情感倾向输出,同时动态反馈调节词向量特征,使其更加接近食品安全特定领域内真实的语义表达。然后,将递归神经网络输出的句子向量以时序逻辑作为上层循环神经网络(Recurrent Neural Network)的输入,进一步捕获句子结构的上下文语义关联信息,实现篇章级的情感倾向性分析任务。实验结果表明,联合深度模型在食品安全新闻报道的情感分类任务中具有良好的效果,其分类准确率和F1值分别达到了86.7%和85.9%,较基于词袋思想的SVM模型有显著的提升。

深度学习作为机器学习领域的新热点,为故障诊断技术领域的研究开拓了新的思路。针对高速列车进行故障分析的重要性,将深度学习和集成学习相结合,提出一种基于EDBN-SVM(EnsembleDeep Belief Network-Support Vector Machine)的故障诊断模型。首先对高速列车振动信号进行快速傅立叶变换,其次分析确定了EDBN-SVM模型的参数,然后将信号的FFT系数作为EDBN-SVM模型的可视层输入,并逐层学习高层特征,最后利用多个SVM分类器进行识别并对识别结果进行集成。为评估该方法的有效性,采用实验室数据和仿真数据进行实验测试,并与传统的几种故障分析方法进行对比。结果表明,该方法的故障识别效果优于传统的故障分析方法,同时稳定性更好。

以简化卫星舱承载板上三维布局设计问题为背景,研究一类带静不平衡约束的圆柱体和长方体混合待布物布局问题。针对该三维布局问题,将已成功应用于统计物理学和蛋白质结构预测的Wang-Landau抽样算法引入布局问题中。Wang- Landau抽样算法通过在复杂布局空间中进行有效抽样来得到一个平坦的能量直方图,从而精确估计布局系统的状态密度。通过将Wang- Landau抽样算法与带加速策略的最速下降法、质心平移策略相结合,提出了改进的Wang-Landau抽样算法。对文献中两个算例进行了实算,计算结果表明,改进的Wang-Landau抽样算法的收敛速度和解的质量相比文献中其它算法均有较大的提高。

在不确定和复杂的移动环境中,利用传统的人工势场法进行机器人避障很难满足对环境动态适应性的需要。提出了一种相对速度的改进的人工势场法,针对于传统的路径规划中局部最小值问题,提出设置中间目标点的方法,给机器人一个外力以避免其在局部最小点处停止或者徘徊,确保机器人能够逃出最小值陷阱并顺利到达目标位置。最后在Matlab平台上进行了仿真实验,实验结果表明,改进后的人工势场法能较好地实现动态环境下移动机器人的路径规划。

为了提高基于智能设备的人体日常行为识别的准确率,针对不同智能设备内置加速度传感器获取的三轴加速度信息,提出了一种基于多分类器融合的行为识别MCF(Multiple Classifier Fusion)模型。针对5种日常行为(静止、散步、跑步、上楼及下楼),优选出与每种行为相关度高的特征集,用于训练对每种行为识别效果最佳的5个基分类器,并采用一个融合器对5个基分类器的输出进行融合处理,得到最终行为识别结果。该模型对这5种行为的平均识别准确率和可信度分别达到96.84%和97.41%,能有效进行用户行为识别。

针对现代复杂生产过程中不能准确识别、分类多种故障的问题,提出一种改进的稀疏表示故障分类方法。该方法依据信号的稀疏表示来判断故障所属类别。其具体实现过程首先是利用K-均值奇异值分解(K-SVD)算法构造过完备字典,使其包含原信息的主要特征,再通过粒子群(PSO)算法有效地搜索并寻找稀疏分解中产生的在过完备字典范围中的最匹配原子,最后利用以该匹配原子为基础的稀疏表示结果实现对多故障问题的分类识别。运用数值仿真验证了该算法的可行性和有效性。同时,针对柴油机燃油系统的故障分类,将该方法与基于BP神经网络和SVM的分类识别方法进行比较,实验表明该算法在故障分类上具有更好的效果。

为了提高目标跟踪精度和跟踪视频质量,研究了一种具有失真激励功能和基于机会模糊控制的视频跟踪机制及其系统架构。首先,针对目标行为空域和模糊集群,通过建立群内模糊集且依据目标移动速度构建了机会模糊控制系统。然后,在分析跟踪目标的差异性和目标移动速度的随机性的基础上,以激励模糊集群用户的机会逻辑控制为目标,提出了基于失真激励的视频跟踪机制及其系统架构。最后,实验结果表明,提出的算法在系统执行效率、视频传输时延和跟踪视频质量等方面具有明显优势。