面向客运站的视频智能分析系统设计和实现
这是一篇关于视频监控系统,视频智能分析,事件检测,客流检测,号牌识别的论文, 主要内容为随着社会和经济的快速发展,对交通的要求也随之提高,各个大型客运站纷纷落成投运,在方便人们出行的同时,也存在由于人流、车流大而带来的种种安全风险的管理困难。为了解决这个问题,视频智能分析系统应运而生并快速发展,在各行各业广泛应用。现在大多数客运站的视频监控系统仅仅是起到了实时监控的作用,并且需要靠安保人员24小时看着电脑屏幕或电视墙不断轮询画面,从中捕捉异常情况,进行相应处理。此外,这些视频监控有的还是老旧的模拟信号,清晰度不够,导致了事件发现不及时,经常存在漏掉的情况,也不能有效的进行客流、车流计算,纯凭工作人员经验判断,存在较大的误差,对辅助决策的意义不大。针对上述存在问题,本论文基于客运站的具体需求,在视频智能分析系统的关键技术和针对客运站特点的系统集成实施等角度进行研究,设计实现了一个面向客运站的视频智能分析系统,主要功能包括客流统计、打架斗殴识别、快速移动识别、越界识别、人群聚集识别、物品遗留及解除识别、号牌识别等。本文系统通过使用相邻帧差算法和背景减法算法进行建模。建模的方法主要包括基于统计的背景模型、基于卡尔曼滤波的背景模型、基于高斯分布的背景模型等。在设计不同的视频分析算法时,根据算法要实现的目标混合使用相邻帧差算法和背景减法算法,以达到最佳的分析效果。实验结果表明,本文采用的视频处理算法和系统集成方式可以较好的识别异常事件,准确统计客流、车流。其中事件识别、客流统计、车流统计的准确率达到业内较高水平。本文的应用系统采用Java JDK1.7,Spring,Spring MVC4.0+Hibernate 4.35作为后台框架,采用面向服务体系架构(SOA)的先进理念。应用系统主要包含检测数据的界面可视化和管理人员的操作界面。在网络架构设计方面,充分考虑了客运站的地理条件、功能区划、重要程度、运行环境等因素设计了终端-接入-区域汇聚-汇聚-核心的网络架构,终端采用POE供电方式取电,保证了系统的可靠性。
跨平台网络舆情事件演化分析系统设计与实现
这是一篇关于事件检测,事件演化分析,网络爬虫的论文, 主要内容为近年来,网民数量逐日攀升,人们随时随地都能在社交媒体平台上分享日常、表达观点、与他人交流沟通。越来越多的事件,曝光在网络上并且迅速引起全网用户热议,在多个平台获得高关注度。网络的言论自由更是推动了其发展为舆情事件,严重危害了良好网络环境。对于影响范围广、危害程度深的舆情事件,要及早发现,加以关注,必要时进行引导、控制。现有的针对舆情事件的分析大多存在数据源单一、忽略语义信息基于聚类进行分析、滞后性等问题,不能实现全面、实时、高效的舆情事件演化分析,不利于支撑舆情治理工作。为了解决舆情事件分析数据源单一的问题,本文将现有的网络平台大致分为4类,分别是高校论坛、公网论坛、新闻网站、社交媒体,并从每一类中选取代表平台,如北邮人论坛、博客中国、中国人民大学新闻网、央视网、微博、知乎等,针对不同的分析源,设计并实现个性化爬虫,完成不同分析源的数据分类采集工作。为了实现跨平台同源事件的检测与识别,本文提出了基于图卷积和语义要素的事件识别与分析模型,通过文本处理技术完成对数据的预处理,融合词向量与位置向量,对数据进行向量化编码,并利用双向长短时记忆网络模型捕捉长距离上下文依赖,最后利用图卷积神经网络进行特征加强与基于特征的图节点分类,对实时数据流中的事件进行检测与识别。本文设计了基于语义要素提取的事件演化分析模型,区分事件类型,划分时间窗口,对各时间窗口内数据利用TextRank提取语义要素,并搭建指数平滑模型利用文本传播度、用户参与度预测事件热度。本文基于软件工程开发流程,对跨平台网络舆情事件演化分析系统进行需求分析,并在需求分析结果上,完成了系统架构设计、系统概要设计。系统分为数据采集存储模块、事件检测与识别模块、事件演化分析模块、任务管理模块以及可视化模块,对以上功能模块进行详细设计与实现;最后进行系统测试,验证系统满足用户需求。
事理知识抽取方法及应用研究
这是一篇关于事理图谱,事件检测,事件预测,事件关系抽取,航空安全事故的论文, 主要内容为随着人工智能技术的不断发展,感知智能为机器提供了视觉、听觉等感知事物的能力,以事理图谱和知识图谱为代表的认知智能让机器拥有了对事物的理解和推理能力。对于民航领域来说,安全是永恒不变的主题,若能通过历史数据发现航空安全事故中的事理演化逻辑并加以应用,有助于提升航空安全事故应急处置能力,保障飞行安全。因此,本文针对事理知识的抽取和应用方法进行了研究。在事理知识抽取方面,本文设计了模式匹配和神经网络相结合的抽取模型,对于显式事件对,本文针对数据特征设计了匹配模板对显示事理知识进行抽取。对于隐式事件对,使用神经网络模型分别对事件和事件关系进行抽取,并着重针对事件的识别提出了基于句法和全文信息增强的中文事件检测方法,该方法针对目前中文事件检测中词语之间句法依存关系利用不充分和缺乏文章全局语义信息的问题,使用图卷积网络和双向门控循环单元分别学习句法关系和全文信息,达到增强事件触发词的特征表示的目的,提升事件检测任务的效果。在ACE2005和CEC数据集上的实验结果表明,本文模型在F1值上至少提升了1.6%和2.14%,证明了方法的有效性。在事理知识的应用方面,首先通过同指消解模型、事件融合方法、事件转移概率计算完成事理图谱的构建,之后针对目前航空安全事故应急处理中对事故发展逻辑利用不充分的问题,提出了事理图谱增强的事件预测方法,该方法通过GCN学习事理图谱子图,将事理逻辑知识融合到事件的表示向量中,充分利用了事理图谱中事件之间的逻辑关系,提升了事件预测的效果。实验结果表明,本文方法在航空安全事故数据集中准确率指标相对于不使用事理图谱的模型提升了6.39%。
融合依存信息的事件检测系统的设计与实现
这是一篇关于深度学习,自然语言处理,事件检测,依存信息的论文, 主要内容为随着自然语言处理领域的发展,事件检测已经成为自然语言处理中重要的信息抽取任务。事件检测的结果是其他任务需要的重要知识,同时也是文本搜索,事件知识图谱等应用的重要知识补充。近年来,基于依存句法信息和图卷积神经网络(GCN)的方法已被广泛用于事件检测任务中。对于事件检测,基于依存弧的图卷积网络可以捕获候选触发词和论元之间的依存语法信息。但是,现有的基于依存语法图的GCN的方法存在着图中不平衡和信息冗余的问题。为了捕获图中的重要信息,并且进一步精炼信息,本文提出带跳转连接的多图卷积网络,简称MGJ-ED。在多图卷积网络模块添加了一个从依存图中分离出来的核心子图,该依存图通过GCN在广度上选择重要的一跳邻居节点的句法信息。在跳转连接机制中,聚合了有着不同注意力得分的不同GCN层的不同表达,在深度上学习不同跳数的邻居节点的语法信息的注意力权重。与其它事件检测模型相比,本文的模型在广泛使用的ACE 2005数据集上,提升了2.5%召回率和2.0%F1-measure得分。实验结果表明了本文的方法的优越性。针对以上创新点撰写的论文已被国际会议录用发表。在本论文中设计并开发了融合依存信息的事件检测系统,该系统使用前后端分离框架设计,使用MongoDB数据库系统,实现了前沿知识浏览和文本事件检测等功能。同时,本论文将所研究的算法模型落地应用到了事件检测系统。对融合依存信息的事件检测系统进行的相关测试都已经通过,系统响应时间在500ms之内,能够在1s内给出事件检测的结果。融合依存信息的事件检测系统可以实际使用。
面向客运站的视频智能分析系统设计和实现
这是一篇关于视频监控系统,视频智能分析,事件检测,客流检测,号牌识别的论文, 主要内容为随着社会和经济的快速发展,对交通的要求也随之提高,各个大型客运站纷纷落成投运,在方便人们出行的同时,也存在由于人流、车流大而带来的种种安全风险的管理困难。为了解决这个问题,视频智能分析系统应运而生并快速发展,在各行各业广泛应用。现在大多数客运站的视频监控系统仅仅是起到了实时监控的作用,并且需要靠安保人员24小时看着电脑屏幕或电视墙不断轮询画面,从中捕捉异常情况,进行相应处理。此外,这些视频监控有的还是老旧的模拟信号,清晰度不够,导致了事件发现不及时,经常存在漏掉的情况,也不能有效的进行客流、车流计算,纯凭工作人员经验判断,存在较大的误差,对辅助决策的意义不大。针对上述存在问题,本论文基于客运站的具体需求,在视频智能分析系统的关键技术和针对客运站特点的系统集成实施等角度进行研究,设计实现了一个面向客运站的视频智能分析系统,主要功能包括客流统计、打架斗殴识别、快速移动识别、越界识别、人群聚集识别、物品遗留及解除识别、号牌识别等。本文系统通过使用相邻帧差算法和背景减法算法进行建模。建模的方法主要包括基于统计的背景模型、基于卡尔曼滤波的背景模型、基于高斯分布的背景模型等。在设计不同的视频分析算法时,根据算法要实现的目标混合使用相邻帧差算法和背景减法算法,以达到最佳的分析效果。实验结果表明,本文采用的视频处理算法和系统集成方式可以较好的识别异常事件,准确统计客流、车流。其中事件识别、客流统计、车流统计的准确率达到业内较高水平。本文的应用系统采用Java JDK1.7,Spring,Spring MVC4.0+Hibernate 4.35作为后台框架,采用面向服务体系架构(SOA)的先进理念。应用系统主要包含检测数据的界面可视化和管理人员的操作界面。在网络架构设计方面,充分考虑了客运站的地理条件、功能区划、重要程度、运行环境等因素设计了终端-接入-区域汇聚-汇聚-核心的网络架构,终端采用POE供电方式取电,保证了系统的可靠性。
基于图卷积网络的事件检测方法及服务负载均衡研究
这是一篇关于事件检测,注意力机制,鲁棒性,微服务,负载均衡,多目标的论文, 主要内容为事件检测致力于判断自然文本中是否包含事件并识别其类型,作为事件抽取的子任务在数据工程等方向发挥着越来越重要的作用。当下关于事件检测的研究大多关注于事件检测效果和性能的提升,这些研究涉及的方法包括传统的模式匹配方法、机器学习算法和现在流行的深度学习模型,这些方法的种类繁多、思路各异,其适用条件也不尽相同,上述特点给各模型的复现及落地实践带来了很大的困难和挑战。考虑到微服务的分布式、易部署、易复用、易迭代和易扩展性等特点正与上述各模型种类繁多、思路各异等特点相对应,本文提出将各事件检测模型微服务化,设计了一种基于微服务架构的事件检测系统,并提出了一种多目标微服务负载均衡策略,以微服务的方式解决了事件检测模型的服务响应效率问题。本文的主要工作如下:(1)提出了一种基于注意力图卷积网络的事件检测方法,提升了事件检测模型的检测效果。对在当前事件检测问题取得优异效果的GCNs类模型进行了改进,首先将句法依赖树的边标签信息引入模型,然后设计了一种基于注意力权重的打分策略作为边更新权重,最后对GCNs类事件检测模型进行了鲁棒性实验和分析。实验结果表明,该方法将事件检测的检测效果提升至78.4%,在GCNs类事件检测方法中暂居第一名,在目前已知的所有事件检测方法中暂居第二名,且该方法较其它GCNs类模型还具有更好的鲁棒性。(2)提出将各事件检测模型微服务化,设计了一种基于微服务架构的事件检测系统。将每种事件检测方法或通用的预处理策略等都设计为一种微服务,并提供一种开放接口,供用户或其它服务调用。同时,提出了一种多目标微服务负载均衡策略,建立以请求处理总时间、负载均衡率和通信传输总距离为多个目标的微服务用户请求分配模型,研究并发用户请求在部署于不同资源中心的多个微服务实例间的分配策略,并使用基于自定义初始解生成策略、交叉算子和变异算子的多目标进化算法对该问题进行了求解。实验结果表明,上述策略实现了事件检测微服务系统的负载均衡,提升了事件检测模型的服务响应效率。
跨平台网络舆情事件演化分析系统设计与实现
这是一篇关于事件检测,事件演化分析,网络爬虫的论文, 主要内容为近年来,网民数量逐日攀升,人们随时随地都能在社交媒体平台上分享日常、表达观点、与他人交流沟通。越来越多的事件,曝光在网络上并且迅速引起全网用户热议,在多个平台获得高关注度。网络的言论自由更是推动了其发展为舆情事件,严重危害了良好网络环境。对于影响范围广、危害程度深的舆情事件,要及早发现,加以关注,必要时进行引导、控制。现有的针对舆情事件的分析大多存在数据源单一、忽略语义信息基于聚类进行分析、滞后性等问题,不能实现全面、实时、高效的舆情事件演化分析,不利于支撑舆情治理工作。为了解决舆情事件分析数据源单一的问题,本文将现有的网络平台大致分为4类,分别是高校论坛、公网论坛、新闻网站、社交媒体,并从每一类中选取代表平台,如北邮人论坛、博客中国、中国人民大学新闻网、央视网、微博、知乎等,针对不同的分析源,设计并实现个性化爬虫,完成不同分析源的数据分类采集工作。为了实现跨平台同源事件的检测与识别,本文提出了基于图卷积和语义要素的事件识别与分析模型,通过文本处理技术完成对数据的预处理,融合词向量与位置向量,对数据进行向量化编码,并利用双向长短时记忆网络模型捕捉长距离上下文依赖,最后利用图卷积神经网络进行特征加强与基于特征的图节点分类,对实时数据流中的事件进行检测与识别。本文设计了基于语义要素提取的事件演化分析模型,区分事件类型,划分时间窗口,对各时间窗口内数据利用TextRank提取语义要素,并搭建指数平滑模型利用文本传播度、用户参与度预测事件热度。本文基于软件工程开发流程,对跨平台网络舆情事件演化分析系统进行需求分析,并在需求分析结果上,完成了系统架构设计、系统概要设计。系统分为数据采集存储模块、事件检测与识别模块、事件演化分析模块、任务管理模块以及可视化模块,对以上功能模块进行详细设计与实现;最后进行系统测试,验证系统满足用户需求。
基于多源社交媒体面向特定主题的事件分析系统
这是一篇关于社交媒体,网络爬虫,事件检测,事件脉络,舆情分析的论文, 主要内容为近年来,随着互联网技术的高速发展,各个社交媒体平台的内容呈现爆发式增长。在社交媒体中,人们总是会围绕某个特定的主题发布内容,随着时间的推移,社交媒体上积攒了大量与特定主题相关的舆情数据。这为研究特定主题下的事件提供了新的方向。但是社交媒体内容的实时性、大规模性、文本不规则等特性也给特定主题的事件分析带来了诸多挑战和困难。本文针对这些挑战和困难,开展了相关的调研研究,设计并实现了基于多源社交媒体面向特定主题的事件分析系统,主要完成的工作如下:(1)面向新浪微博和新浪新闻开发了一款高效的可根据主题关键字实时采集舆情数据的爬虫系统,该系统可用于社交媒体研究工作的舆情数据采集。此外基于TextCNN训练模型,用于过滤与主题无关的舆情数据。(2)提出了有效实体提取及对齐的方法,开发了一款国内地点的识别工具包BUPT-LER,可以极快地识别文本中的国内地点实体,并将实体映射为省市县形式的标准三级行政区域。(3)提出了一种基于Single-Pass的面向社交媒体的事件实时检测算法,其可以利用实体、hashtag、转发关系特征信息高效快速地检测特定主题下的事件,同时可以将事件相关的舆情帖子聚类起来,供后续研究使用。由于一些主题事件影响较大,持续时间长,具有进一步研究的价值,本文也针对主题事件脉络生成技术开展了研究,使用基于DBSCAN的子事件检测算法为主题事件生成事件脉络。(4)基于以上几部分的研究成果开发了基于多源社交媒体面向特定主题的事件分析系统。在开发过程中应用了多种软件工程设计模式和业界最新的开发技术,保证了系统的高效运行。系统配备了强大的Web可视化系统,用户可直观方便地查看事件检测结果及舆情分析结果。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码工厂 ，原文地址：https://m.bishedaima.com/lunwen/47208.html
