【摘要】：隨著媒體日益增多的報道,校園暴力現(xiàn)象逐步走入了人們的視線。伴隨互聯(lián)網(wǎng)絡(luò)的發(fā)展,尚處于校園內(nèi)的學(xué)生接觸到了社會上各型各色的信息,其中不乏充斥著暴力、低俗的成分。有些學(xué)生出于好奇心理,對網(wǎng)絡(luò)上所看到的行為加以模仿,使得校園暴力現(xiàn)象前所未有的嚴重。青少年需要在其成長階段給予正確的引導(dǎo)教育工作。然而,學(xué)校老師和家長無法時刻關(guān)注學(xué)生的狀態(tài),遭受暴力者往往出于恐懼或害羞的心理不敢及時向老師和家長反映情況。這導(dǎo)致了在暴力發(fā)生的初期,暴力行為不能扼殺在萌芽狀態(tài),其結(jié)果便是事件發(fā)展愈演愈烈,嚴重影響了受害者的身心健康。鑒于當(dāng)下智能手機在學(xué)生群體中的普及,本文提出了使用手機內(nèi)置加速度傳感器和陀螺儀進行學(xué)生活動數(shù)據(jù)采集,通過模式識別技術(shù)對學(xué)生遭受暴力的情況進行及時判別的方案。在暴力發(fā)生時,系統(tǒng)可將識別結(jié)果及時反饋給家長和老師,從而達到對學(xué)生全天無間歇智能監(jiān)測的效果,保障了學(xué)生身心安全,促進了校園環(huán)境的和諧發(fā)展。與基于運動傳感器進行日常行為識別不同,校園暴力動作具有很大隨機性,難以通過某一種具體的運動軌跡進行描述。為構(gòu)建校園暴力動作模型,提高對暴力動作的識別性能,本文研究內(nèi)容如下:首先,針對暴力動作和日常動作的特點,提取時、頻域動作特征,以BP神經(jīng)網(wǎng)絡(luò)對動作類別進行識別;對于復(fù)雜動作,提出將復(fù)雜動作分解為基本動作以提高識別率,暴力動作識別精確率從85.29%提升至88.35%,暴力動作識別召回率從75.77%提升至84.63%。然后,提出了將動作特征和語音特征聯(lián)合實現(xiàn)暴力識別的算法,仿真結(jié)果表明該算法有效地將暴力動作識別精確率提升至90.35%,暴力動作識別召回率提升至90.49%。最后,考慮到未來應(yīng)用,提出了通過尋找過渡動作變化點來進行系統(tǒng)休眠的算法,有效地節(jié)約了分類算法帶來的硬件能量消耗;引入LDA法在保持系統(tǒng)識別性能基本不變的基礎(chǔ)上,對輸入動作-語音聯(lián)合特征有效地降維,提高了分類器的計算效率,將大部分動作的識別過程時間復(fù)雜度降低至原算法的50%。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP212.9;TN912.3
【圖文】：

a f ( wp b)圖 2-7 BP 神經(jīng)元模型層神經(jīng)元的傳遞函數(shù)常用 log-sigmoidlin。如果 BP 網(wǎng)絡(luò)的最后一層是 sigmoi制在 0 到 1 的范圍內(nèi)；如果 BP 網(wǎng)絡(luò)的個網(wǎng)絡(luò)的可輸出范圍則沒有限制。常有一個或多個隱含層，隱含層中的神經(jīng)通常采用線性傳遞函數(shù)。圖 2-8 為一為 R，包含一個隱含層，隱含層神經(jīng)元11b1n 神經(jīng)元層入層傳遞

N 1b） 神經(jīng)網(wǎng)絡(luò)簡化表示圖 2-8 典型神經(jīng)網(wǎng)絡(luò)示意圖層傳遞函數(shù)為非線性，便能夠?qū)崿F(xiàn)輸入和經(jīng)元處常采用線性函數(shù)，目的是拓寬網(wǎng)絡(luò)絡(luò)參數(shù)設(shè)定面，如果采用 BP 神經(jīng)網(wǎng)絡(luò)進行模式分類的維數(shù)，輸出層神經(jīng)元個數(shù)設(shè)置為分類類為大于輸入和輸出維度之和的開方。數(shù)的設(shè)置，既要反映不同動作類型的特性中的各仿真均設(shè)置單層隱含層。同過對神gsig 函數(shù)，輸出層選用 purelin 函數(shù)。所1a

b1N 1a f ( wp b)b） 神經(jīng)網(wǎng)絡(luò)簡化表示圖 2-8 典型神經(jīng)網(wǎng)絡(luò)示意圖通過設(shè)置隱含層傳遞函數(shù)為非線性，便能夠?qū)崿F(xiàn)輸入和輸出之間的非線性學(xué)習(xí)。在網(wǎng)絡(luò)輸出神經(jīng)元處常采用線性函數(shù)，目的是拓寬網(wǎng)絡(luò)輸出。2.5.2 BP 神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)定在參數(shù)設(shè)定方面，如果采用 BP 神經(jīng)網(wǎng)絡(luò)進行模式分類，則網(wǎng)絡(luò)輸入端個數(shù)設(shè)置為輸入特征向量的維數(shù)，輸出層神經(jīng)元個數(shù)設(shè)置為分類類別數(shù)量。隱含層神經(jīng)元個數(shù)經(jīng)驗地設(shè)置為大于輸入和輸出維度之和的開方。對于隱含層層數(shù)的設(shè)置，既要反映不同動作類型的特性，又需要防止過擬合綜合考慮，在本文中的各仿真均設(shè)置單層隱含層。同過對神經(jīng)網(wǎng)絡(luò)的多次調(diào)試，最終隱含層選用 logsig 函數(shù)，輸出層選用 purelin 函數(shù)。所搭建的 BP 網(wǎng)絡(luò)結(jié)構(gòu)模型如圖 2-9 所示。

【參考文獻】

相關(guān)期刊論文 前7條

1 王見;陳義;鄧帥;;基于改進SVM分類器的動作識別方法[J];重慶大學(xué)學(xué)報;2016年01期

2 黃劉松;儲岳中;張學(xué)鋒;;基于加速度傳感器的乒乓球擊球動作識別[J];傳感器與微系統(tǒng);2016年01期

3 孫曉冰;柳海民;;理性認知校園霸凌:從校園暴力到校園霸凌[J];教育理論與實踐;2015年31期

4 劉宇;江宏毅;王仕亮;王伊冰;陳燕蘋;;基于加速度時域特征的實時人體行為模式識別[J];上海交通大學(xué)學(xué)報;2015年02期

5 張國平;;校園霸凌的社會學(xué)分析[J];當(dāng)代青年研究;2011年08期

6 王超,馬迎華;校園暴力干預(yù)措施的研究進展[J];中國學(xué)校衛(wèi)生;2005年11期

7 王大偉,余紅梅;校園警鐘聲聲驚心[J];人民公安;2004年10期

相關(guān)碩士學(xué)位論文 前1條

1 蔡曉蓮;基于嵌入式傳感器的特定動作識別技術(shù)研究[D];天津大學(xué);2014年

本文編號：2747457