基于习惯强度的大学生校园异常行为分析方法
这是一篇关于习惯强度,校园大数据,教育数据挖掘,异常行为的论文, 主要内容为新一代信息技术的发展,促进教育决策由经验化逐渐向科学化转型。日常活动行为的数据,既是各类隐性规律的外显体现,同时也成为研究与发现特征的重要手段。例如,人们的活动轨迹大数据,在当今新冠肺炎席卷全球的严峻局势下,是揭示与及时跟踪去向,政府实施流调控制的重要信息源,它抗疫过程中担当着无可替代的重要角色。大学生在城市间、校园间的流动情况,在校园中的日常行为,也是值得重点关注的内容。在当今“内卷”横飞、疫情肆虐的年代,大学生在面对各种形式的压力时,极易产生心理异常、行为异常的现象,若无法及时感知,导致错过疏导最佳时间窗口,最终可能导致悲剧的发生,影响个人的成长,影响国家人才的培养。因此,充分利用教育大数据、教育数据挖掘、人工智能等技术,以行为习惯理论为依据,构建科学化决策、精准化管理、个性化服务,是化解大学生在校园内的生存危机、心理危机等等影响他们在大学校园生活中的各种危机的有效途径。本文以在校大学生日常行为的数据为出发点,围绕日常行为数据所揭示的习惯展开研究,构建了日常行为习惯强度的计算模型,提出了大学生群体与个体的校园异常行为分析方法,并建立了可视分析平台。主要研究内容如下:(1)提出了校园日常行为习惯强度计算方法。在量化大学生在校园内发生的活动、行为、习惯的数据基础上,结合校园日常行为发生环境的空间要素、时间要素以及社会属性,习惯的重复频次、周期指标、触发环境的重叠特征等因素,量化习惯的稳定性,建立校园日常行为习惯强度计算模型,实现习惯强度量化计算。(2)提出了基于扩展孤立森林(EIF)的学生群体异常行为特征检测方法。首先,通过融合多源校园大数据得到某一时期周期内学生的时空细粒度日常活动数据;其次,使用联合时空熵、社交熵提取大学生行为的时空特性和社交特性;最后,通过扩展孤立森林发现异常行为学生群体。(3)提出了基于时序异常对抗网络(TadGAN)的异常行为学生个体的异常行为检测方法。首先,结合校园日常行为发生的频次、行为的时空特性、行为的社交特性,以每周为周期计算校园日常行为的习惯强度,得到习惯强度时间序列;其次,依次使用单变量时间序列异常检测、多变量时间序列异常检测,检测异常行为学生个体的校园异常行为;最后,从时空维度、社交维度、习惯强度维度揭示异常行为学生个体产生校园异常行为背后的原因。研究表明,大学生校园异常行为,即大学生个体在校园生活中发生的异常行为,表现为在一定的时间范围内,大学生校园日常行为的习惯强度产生不稳定波动现象,是一种偏离了日常行为习惯强度一般状态的行为。(4)构建了大学生校园异常行为可视化平台。采用Browser/Server架构,搭建了基于MongoDB分片集群、SpringBoot、Vue的可视化平台;实现了对大学生异常行为学生群体、异常行为学生个体的地图可视化、社交网络可视化、习惯强度可视化。本文的创新点:(1)提出了校园日常行为习惯强度计算方法,实现了对习惯强度的周期性量化计算。(2)提出了大学生校园异常行为分析方法,实现了对大学生群体的异常行为特征检测、大学生异常行为个体的校园日常行为习惯强度单变量、多变量时间序列异常检测。(3)建立了大学生校园异常行为可视化平台,实现了对大学生异常行为学生群体和异常行为学生个体的地图可视化、社交网络可视化、习惯强度可视化。
基于深度学习的群养猪只异常目标检测与异常行为识别
这是一篇关于猪只异常,异常目标,YOLOX模型,异常行为,PP-LCNet模型的论文, 主要内容为随着我国猪只养殖业规模越来越大,便会出现无法及时监测到猪只发生异常现象的问题,而每当猪只发生异常行为时,就意味着产生了影响猪只健康生长的因素,需要及时进行检查分析。为了提高监测效率,利用基于深度学习的计算机检测识别技术代替人工监测。本文以猪舍内群养猪只视频作为数据源,使用深度学习方式对猪只异常目标进行检测,对于检测出的异常目标进一步进行其行为的识别,对实现精准、个性化的猪只健康智能监测具有重要意义。本文主要研究工作如下:(1)猪只图像库建立。在山西省临汾市汾西县猪只培育基地,对9只五月龄育肥猪进行视频采集,并对视频通过帧间差分法进行关键帧截取获得实验图像数据。(2)猪只异常目标检测方面,阐述了YOLOX、YOLOv5、YOLOv4、Retina Net、Efficient Det、Faster R-CNN、Center Net和SSD八种目标检测模型方法的理论,并对八种模型进行对比分析,选择最适合于对猪只异常目标检测的模型。实验结果表明,YOLOX模型的TP值最高,FP值最低,其P-R曲线处于图的右上方,m AP0.5指标值达到98%,为对比模型中的最高值,在猪只异常目标预测结果中,YOLOX模型能正确检测出猪只异常目标并且置信度最高,与其他七种模型相比,YOLOX模型在对猪只异常目标检测中体现了其优势,因此,YOLOX模型为猪只异常目标检测的最优模型。(3)猪只异常行为识别方面,阐述了PP-LCNet、Res Net、Dense Net、Shuffle Net V2、Mobile Net V3和Xception目标识别模型方法的理论,并对其进行对比分析,选择最适合于对猪只异常行为识别的模型。在不同网络层数对模型效果的影响对比实验中,Res Net系列模型和Dense Net系列模型中网络层数最低的Res Net18和Dense Net121模型其精准率、召回率、F1-score值均位于同系列的最高值,在混淆矩阵中,其TP值均为最高值。因此,模型的网络层数越少,其模型效果最优。在对不同层数对模型效果的影响实验基础上,增加PP-LCNet、Shuffle Net V2、Mobile Net V3和Xception模型进行对比实验,实验结果表明,PP-LCNet模型的精准率、召回率、F1-score值均位于同系列的最高值,分别为93.41%、93.18%和93.17%,混淆矩阵中其TP值均为最高值。因此,在猪只异常行为识别中PP-LCNet模型为最优模型。
基于习惯强度的大学生校园异常行为分析方法
这是一篇关于习惯强度,校园大数据,教育数据挖掘,异常行为的论文, 主要内容为新一代信息技术的发展,促进教育决策由经验化逐渐向科学化转型。日常活动行为的数据,既是各类隐性规律的外显体现,同时也成为研究与发现特征的重要手段。例如,人们的活动轨迹大数据,在当今新冠肺炎席卷全球的严峻局势下,是揭示与及时跟踪去向,政府实施流调控制的重要信息源,它抗疫过程中担当着无可替代的重要角色。大学生在城市间、校园间的流动情况,在校园中的日常行为,也是值得重点关注的内容。在当今“内卷”横飞、疫情肆虐的年代,大学生在面对各种形式的压力时,极易产生心理异常、行为异常的现象,若无法及时感知,导致错过疏导最佳时间窗口,最终可能导致悲剧的发生,影响个人的成长,影响国家人才的培养。因此,充分利用教育大数据、教育数据挖掘、人工智能等技术,以行为习惯理论为依据,构建科学化决策、精准化管理、个性化服务,是化解大学生在校园内的生存危机、心理危机等等影响他们在大学校园生活中的各种危机的有效途径。本文以在校大学生日常行为的数据为出发点,围绕日常行为数据所揭示的习惯展开研究,构建了日常行为习惯强度的计算模型,提出了大学生群体与个体的校园异常行为分析方法,并建立了可视分析平台。主要研究内容如下:(1)提出了校园日常行为习惯强度计算方法。在量化大学生在校园内发生的活动、行为、习惯的数据基础上,结合校园日常行为发生环境的空间要素、时间要素以及社会属性,习惯的重复频次、周期指标、触发环境的重叠特征等因素,量化习惯的稳定性,建立校园日常行为习惯强度计算模型,实现习惯强度量化计算。(2)提出了基于扩展孤立森林(EIF)的学生群体异常行为特征检测方法。首先,通过融合多源校园大数据得到某一时期周期内学生的时空细粒度日常活动数据;其次,使用联合时空熵、社交熵提取大学生行为的时空特性和社交特性;最后,通过扩展孤立森林发现异常行为学生群体。(3)提出了基于时序异常对抗网络(TadGAN)的异常行为学生个体的异常行为检测方法。首先,结合校园日常行为发生的频次、行为的时空特性、行为的社交特性,以每周为周期计算校园日常行为的习惯强度,得到习惯强度时间序列;其次,依次使用单变量时间序列异常检测、多变量时间序列异常检测,检测异常行为学生个体的校园异常行为;最后,从时空维度、社交维度、习惯强度维度揭示异常行为学生个体产生校园异常行为背后的原因。研究表明,大学生校园异常行为,即大学生个体在校园生活中发生的异常行为,表现为在一定的时间范围内,大学生校园日常行为的习惯强度产生不稳定波动现象,是一种偏离了日常行为习惯强度一般状态的行为。(4)构建了大学生校园异常行为可视化平台。采用Browser/Server架构,搭建了基于MongoDB分片集群、SpringBoot、Vue的可视化平台;实现了对大学生异常行为学生群体、异常行为学生个体的地图可视化、社交网络可视化、习惯强度可视化。本文的创新点:(1)提出了校园日常行为习惯强度计算方法,实现了对习惯强度的周期性量化计算。(2)提出了大学生校园异常行为分析方法,实现了对大学生群体的异常行为特征检测、大学生异常行为个体的校园日常行为习惯强度单变量、多变量时间序列异常检测。(3)建立了大学生校园异常行为可视化平台,实现了对大学生异常行为学生群体和异常行为学生个体的地图可视化、社交网络可视化、习惯强度可视化。
基于机器视觉的电动扶梯乘客异常行为检测方法研究
这是一篇关于电动扶梯,机器视觉,异常行为,目标检测,姿态估计,模型压缩的论文, 主要内容为随着中国经济的迅猛发展,城镇化速度加快,越来越多的电动扶梯被广泛用于各种公共场所。电动扶梯作为一种公共运输工具,在为人们带来便利的同时,也带来了不可忽视的安全隐患,诸如电动扶梯在正常运行过程中出现的乘客异常行为而引发的人身安全事故。为了避免上述安全事故的发生,需要实时监控扶梯区域,传统的人工视频监控方法存在监控人员容易视觉疲劳,突发情况处理不及时的问题。为了解决以上问题,通过对扶梯乘客异常行为检测现有研究现状的调研,本文提出了一种基于机器视觉的电动扶梯乘客异常行为检测框架,并提出了一种自适应剪枝算法对该检测算法的分类网络模型部分进行高效率和低损失压缩。可以实现扶梯乘客异常行为的高效检测和识别,具有实际的工程价值和重要的社会意义。主要的工作内容如下:(1)建立了扶梯乘客异常行为数据集EAB。本文将扶梯场景下对乘客危害程度较大的向前跌倒、攀爬扶手带异常行为作为研究对象。在实际商场扶梯环境中采集了正常直行、向前跌倒、攀爬扶手带三种乘客行为视频,采集的视频包含了每种乘客行为1人、2人、3人三种情况。并进一步对视频进行切帧、裁剪、打码处理,建立了正常直行、向前跌倒、攀爬扶手带三类扶梯乘客行为原始图片集,使用Labelme对这些原始图片集进行标注进一步形成了扶梯乘客目标检测数据集EAB-D、姿态估计数据集EAB-P和异常行为分类数据集EAB-C。(2)提出了一种基于Alpha Pose的扶梯乘客异常行为检测框架。该框架首先将输入图像通过准确率和实时性能都较好的目标检测模型Yolov5把乘坐扶梯的行人检测出来,并进行描框处理;然后利用自顶向下的多人姿态估计算法Alpha Pose回归出框定行人的关节点信息,形成扶梯乘客的骨架特征图以提高分类模型的泛化性能;最后通过深度卷积神经网络分类模型Efficient Net对形成的骨架特征图分类。本文在自建的扶梯乘客异常行为数据集EAB上,分别对该算法的目标检测、多人姿态估计和骨架特征图分类部分的网络模型进行了训练和测试。实验结果显示,使用本文提出的检测框架对扶梯乘客异常行为进行分类识别,精确率达到了87.9%以上,总平均精确率达到了90.7%,总平均准确度达到了91.3%。在硬件条件为NVIDIA GTX1080Ti,操作系统为Ubuntu18.04的情况下,检测速度达到了21FPS-43FPS。(3)提出了一种剪枝位置自适应调整的卷积神经网络模型压缩算法。该算法主要由两部分组成,分别为基于注意力机制的通道剪枝方法与基于强化学习的模型相关剪枝策略。首先在公开数据集CIFAR-100上开展了实验,使用本文提出的剪枝算法对时下主流的深度卷积神经网络VGG19和Res Net56进行剪枝,并评估其剪枝的效果,然后,将重构模型在Image Net数据集上进行剪枝方法泛化性的评价。实验结果显示,该算法在保持模型高精度的同时可实现数据依赖的自适应剪枝,且算法具有普适性,可应用在各种深度卷积神经网络结构中。此外,本文将提出的自适应剪枝算法应用在本文提出的扶梯乘客异常行为检测框架中的Efficient Net分类网络模型上,在扶梯乘客异常行为分类识别总平均精确率和总平均准确度分别只下降约1.65%和1.20%的情况下,最低检测速度和最高检测速度却分别提升了约38.1%和44.1%。
基于习惯强度的大学生校园异常行为分析方法
这是一篇关于习惯强度,校园大数据,教育数据挖掘,异常行为的论文, 主要内容为新一代信息技术的发展,促进教育决策由经验化逐渐向科学化转型。日常活动行为的数据,既是各类隐性规律的外显体现,同时也成为研究与发现特征的重要手段。例如,人们的活动轨迹大数据,在当今新冠肺炎席卷全球的严峻局势下,是揭示与及时跟踪去向,政府实施流调控制的重要信息源,它抗疫过程中担当着无可替代的重要角色。大学生在城市间、校园间的流动情况,在校园中的日常行为,也是值得重点关注的内容。在当今“内卷”横飞、疫情肆虐的年代,大学生在面对各种形式的压力时,极易产生心理异常、行为异常的现象,若无法及时感知,导致错过疏导最佳时间窗口,最终可能导致悲剧的发生,影响个人的成长,影响国家人才的培养。因此,充分利用教育大数据、教育数据挖掘、人工智能等技术,以行为习惯理论为依据,构建科学化决策、精准化管理、个性化服务,是化解大学生在校园内的生存危机、心理危机等等影响他们在大学校园生活中的各种危机的有效途径。本文以在校大学生日常行为的数据为出发点,围绕日常行为数据所揭示的习惯展开研究,构建了日常行为习惯强度的计算模型,提出了大学生群体与个体的校园异常行为分析方法,并建立了可视分析平台。主要研究内容如下:(1)提出了校园日常行为习惯强度计算方法。在量化大学生在校园内发生的活动、行为、习惯的数据基础上,结合校园日常行为发生环境的空间要素、时间要素以及社会属性,习惯的重复频次、周期指标、触发环境的重叠特征等因素,量化习惯的稳定性,建立校园日常行为习惯强度计算模型,实现习惯强度量化计算。(2)提出了基于扩展孤立森林(EIF)的学生群体异常行为特征检测方法。首先,通过融合多源校园大数据得到某一时期周期内学生的时空细粒度日常活动数据;其次,使用联合时空熵、社交熵提取大学生行为的时空特性和社交特性;最后,通过扩展孤立森林发现异常行为学生群体。(3)提出了基于时序异常对抗网络(TadGAN)的异常行为学生个体的异常行为检测方法。首先,结合校园日常行为发生的频次、行为的时空特性、行为的社交特性,以每周为周期计算校园日常行为的习惯强度,得到习惯强度时间序列;其次,依次使用单变量时间序列异常检测、多变量时间序列异常检测,检测异常行为学生个体的校园异常行为;最后,从时空维度、社交维度、习惯强度维度揭示异常行为学生个体产生校园异常行为背后的原因。研究表明,大学生校园异常行为,即大学生个体在校园生活中发生的异常行为,表现为在一定的时间范围内,大学生校园日常行为的习惯强度产生不稳定波动现象,是一种偏离了日常行为习惯强度一般状态的行为。(4)构建了大学生校园异常行为可视化平台。采用Browser/Server架构,搭建了基于MongoDB分片集群、SpringBoot、Vue的可视化平台;实现了对大学生异常行为学生群体、异常行为学生个体的地图可视化、社交网络可视化、习惯强度可视化。本文的创新点:(1)提出了校园日常行为习惯强度计算方法,实现了对习惯强度的周期性量化计算。(2)提出了大学生校园异常行为分析方法,实现了对大学生群体的异常行为特征检测、大学生异常行为个体的校园日常行为习惯强度单变量、多变量时间序列异常检测。(3)建立了大学生校园异常行为可视化平台,实现了对大学生异常行为学生群体和异常行为学生个体的地图可视化、社交网络可视化、习惯强度可视化。
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：代码小屋 ，原文地址：https://m.bishedaima.com/lunwen/50135.html
