导读:本文包含了事件检测算法论文开题报告文献综述及选题提纲参考文献，主要关键词:智能电表,非侵入式负荷监测,FBE算法,事件检测
事件检测算法论文文献综述
黄河,周步祥,张致强,刘治凡,袁岳[1]（2019）在《基于FBE算法的非侵入式事件检测方法》一文中研究指出鉴于基于非侵入式负荷监测(NILM)的智能电表将成为住宅和建筑物的重要组成部分,提出一种应用非侵入式负荷监测环境的滤波器式经验模态分解算法,即将采集到的总电压电流信号自适应地分解成各种窄带信号,从分解的这些窄带信号中提取有关设备开关事件的有用信息,以有效提取模态特征、检测开关事件,克服传统经验模态分解方法对负类事件分类准确度的缺陷,增加了整体负载分类的准确性;最后,在BLUED数据集上进行测试,相比传统算法精度80.56%,所提方法的识别精度为97.39%,验证了算法的实用性和优越性。(本文来源于《水电能源科学》期刊2019年10期）
李红伟,姜桂艳,李素兰,朱宏伟[2]（2019）在《基于突变强度的交通事件自动检测算法》一文中研究指出为设计1种检测率高的快速路交通事件自动检测(Automatic Incident Detection,AID)算法,基于突变强度理论,分析交通事件下流量、速度、占有率突变强度在纵向时间序列的变化特征,得出事件时段,交通参数突变强度值较大.本文以叁参数突变强度乘积为事件评价指数设计了1种快速路AID算法.新算法与3种AID算法对比得出:新算法检测率高(100.00%),误检率低(5.75%);与横向时间序列相比,纵向时间序列数据稳定性更好;参数数量的增加可提高检测率.新算法适用于各种流量,在低峰检测率为100.00%,误检率为0,检测效果最佳;高峰时段保持100.00%高检测率,误检率为5.66%,误检事件多发生在上下班早晚高峰和午休3个交通流量变化较大的时段.(本文来源于《交通运输系统工程与信息》期刊2019年05期）
王雪颖,杨文忠,张志豪,李东昊,秦旭[3]（2019）在《基于多特征的微博突发事件检测算法》一文中研究指出为了降低社交媒体中突发事件带来的危害,提出一种基于多特征的微博突发事件检测算法。该算法融合了文本情感过滤和用户影响力计算方法。首先,通过噪声过滤和情感过滤得到饱含负面情感的微博文本;然后,采用提出的用户影响力计算方法并结合突发词提取算法来提取突发词特征;最后,引入凝聚式层次聚类算法对突发词集进行聚类,从中提取突发事件。通过实验检测,准确率为66.84%,验证了该方法能有效地对突发事件进行检测。(本文来源于《计算机应用》期刊2019年11期）
肖利平,全腊珍,余波,霍览宇[4]（2019）在《基于改进CoSaMP的农田信息异常事件检测算法》一文中研究指出针对农田监测区域大、监测节点能量有限以及异常事件具有偶发性等特点,提出了一种基于改进压缩采样匹配追踪的农田信息异常事件检测算法(DP-CoSaMP)。针对传统压缩采样匹配追踪(Compressive sampling matching pursuit,CoSaMP)算法中相似原子选择和稀疏度要求已知问题,引进Dice系数有效区分原子相关性,保证选择最优原子;利用峰值信噪比(Peak signal to noise ratio,PSNR)与匹配信号残差具有相似变化趋势,动态调整算法迭代次数,避免稀疏度获取困难问题。仿真实验结果表明,本文算法异常事件检测成功率较现有算法提高了20%,网络能耗降低了15%,平均检测时间减少了50%。(本文来源于《农业机械学报》期刊2019年10期）
赵跃东,陈晶晶[5]（2019）在《基于FCD的城市交叉口拥堵事件计算机检测算法》一文中研究指出针对城市交叉口拥堵事件的检测,本文提出了一种基于浮动车数据(FCD,Floating Car Data)的城市交叉口拥堵事件检测算法,该算法综合考虑了道路交叉口交通信号控制对城市交通拥堵的影响。利用城市FCD和交叉口信号控制参数,从检测率和误报率等事件检测评价指标对所建立的算法模型进行了数据验证。结果表明,算法模型能较准确地实现交叉口的拥堵报警。(本文来源于《安徽科技》期刊2019年07期）
史帅彬,张恒,邓世聪,周东国,周洪[6]（2019）在《基于复合滑动窗的CUSUM暂态事件检测算法》一文中研究指出在非侵入式负荷监测系统中,负荷事件检测是其中最为关键的一部分。然而一般负荷事件检测方法极易存在漏检等情况,特别是对于缓慢的负荷爬升现象不够敏感,且大多仅限于检测事件开始时刻,未涉及暂态事件起止过程的记录。为此,提出了一种基于复合滑动窗的CUSUM暂态事件检测算法,通过变权重滑动窗来累积采样点与均值的偏差,记录突变起始点和突变结束后的采样点,通过实际的案例验证了算法的有效性。该算法不仅能够准确检测到传统算法易忽略的具有爬坡特性的暂态事件,还能够对完整的投切过程进行有效记录,从而有助于对暂态事件进行分析处理。(本文来源于《电测与仪表》期刊2019年17期）
李海丰,姜子政,范龙飞,陈新伟[7]（2019）在《群体突发异常事件检测与事件源定位算法》一文中研究指出提出一种群体突发异常事件检测与事件源定位算法以提高检测的准确性。算法分为群体异常行为检测和事件源定位两个阶段,在异常行为检测阶段,提出一种空间、时间联合的异常行为检测算法:在空间角度,提取平均动能分布直方图来描述人群的运动特征,并使用支持向量机分类器对不同状态的人群运动特征进行分类;在时间角度,构建隐马尔可夫模型,对场景中连续的人群行为状态进行异常检测。在事件源定位阶段,在随机抽样一致性算法框架下通过计算异常行为人群的反向延长线交点,实现了事件源位置的定位,并可同时标记多个事件源位置。在UMN公共数据集上进行实验,并与传统光流法、SIFT点检测法与社会力法进行对比,结果表明,该算法能够有效检测出群体异常行为,且AUC=0.967,比上述3种方法的AUC分别提高0.127、0.074、0.007,并成功标记出事件源的合理位置。(本文来源于《中国民航大学学报》期刊2019年03期）
汪霜霜[8]（2019）在《稀疏学习城市交通视频异常事件检测算法的研究》一文中研究指出随着公共区域监测仪器的快速发展,如今迫切需要全自动、无监控的异常检测系统,尤其是交通监控。高效的视频异常检测系统已成为目前不可忽视的视频异常检测系统之一。然而,交通监控视频中场景的多变性和事件的复杂状态使得异常事件检测的研究存在着一定的难度。在科技不断进步、智能交通系统迅速发展的影响下,利用科学检测技术进行交通异常的检测研究赢得学者、专家的青睐,并取得了一些突破。但是,由于交通环境的多变性,使得现在所提出的一些方法在现实应用中仍存在一些瓶颈,人们对于交通异常检测系统的研究还有很大的开发空间。本课题是在国内外研究成果的基础上,主要对基于视频图像的城市交通异常事件检测算法展开研究的。本文研究了城市交通视频流中实时、鲁棒的交通异常事件检测算法。为了提高边缘检测性能,提出了一种基于图像融合的多尺度形态与小波变换的边缘检测方法;另外,针对交通环境复杂下鲁棒性不够好的问题,提出了一种基于HSV和边缘梯度信息的目标检测方法,对传统的检测方法和对重影、空洞的问题进行改进;接着,设计了一种新的基于视频监控系统的车辆行为学习自适应稀疏重构方法,引用了_(/1)l_2正则化理论,并采用Half算法对稀疏解进行求解;最后,利用稀疏解和轨迹相似度的结合,设计了一种基于稀疏重构和相似度的轨迹分类器来学习车辆行为。基于对现有的从视频中自动学习车辆行为的学习和研究,本文的研究内容主要分为运动车辆检测、车辆行为轨迹学习和车辆行为轨迹识别这叁大部分。(1)运动车辆检测:通过视频图像预处理,利用改进的VIBE方法和叁帧差分法得到了运动车辆的前景图像,同时根据车辆图像的颜色信息和边缘梯度信息去除车辆在运动时产生的阴影部分。(2)车辆行为轨迹学习:设计了一种用于车辆行为学习的l_p(0<p<1)正则化稀疏重建模型,应用l_p(0<p<1)范数的下界理论获得更稀疏的重构系数向量,保证了对车辆行为轨迹的学习性能。(3)车辆行为轨迹识别:提出一种基于稀疏重构和相似度的轨迹分类器来进行车辆行为轨迹的识别。实验结果表明,提出的方法对于车辆行为进行分类识别有着较高的准确性。(本文来源于《广西科技大学》期刊2019-06-10）
李卓容,王凯旋,何欣龙,糜忠良,唐云祁[9]（2019）在《基于卷积神经网络的足跟着地事件检测算法》一文中研究指出为解决基于可穿戴传感器的步态事件检测技术对个体配合程度依赖性大、能耗高、应用条件苛刻等问题,提出一种基于机器视觉的足跟着地事件检测算法,可以在不需要参与者合作的情况下,利用普通摄像机实现对足跟着地事件的精确检测。提出一种新颖的特征,即连续轮廓帧差图(CSD-maps)来表达步态模式。一个连续轮廓帧差图可以将视频帧中行人连续的轮廓二值图编码到一张特征图中,使其蕴含丰富的步态时空信息。不同数量的行人连续轮廓帧差会产生不同的连续轮廓帧差图。利用卷积神经网络对连续轮廓帧差图进行特征提取和足跟着地事件分类。在公开数据库上,对124名受试者在5个视角下不同穿着状态的视频数据进行训练和测试,实验结果表明,该方法具有良好的检测精度,识别准确率达93%以上。(本文来源于《激光与光电子学进展》期刊2019年21期）
王娴[10]（2019）在《基于机器学习算法的高速公路交通事件检测研究》一文中研究指出近年来,国家大力发展交通运输,高速公路产业发展迅猛,截至2018年底,我国的高速公路通车里程突破14万公里,里程规模位居世界第一。同时,随着交通网络的不断扩大和车辆的大规模增加,交通事故频繁发生,交通拥堵严重,损害了正常的交通秩序。及时准确的交通事件检测,能够有效缓解交通事件造成的交通拥堵,预防二次事故的发生,增加高速公路通行的安全性。交通事件自动检测(Automatic Incident Detection,AID)属于经典的二分类问题,可以将事件状态分为两种:正常运行和交通事件。现实场景中,交通事件数据一般远少于正常运行状态数据,因此,交通事件检测问题实质是不平衡分类问题。本文以基本的机器学习算法作为分类器,并结合不平衡数据集的处理算法,提出了几种交通事件检测模型。首先,将贝叶斯网络、逻辑回归、SVM、决策树、神经网络、AdaBoost、梯度提升树、随机森林分别作为分类器,并采用网格搜索方法进行参数优化,比较不同分类器的性能,筛选出综合性能更优的随机森林作为交通事件检测算法的分类器。其次,为了解决交通数据集的不平衡问题,提出基于合成少数过采样技术(Synthetic Minority Over-sampling Technique,SMOTE)的随机森林算法模型,使用少量样本来控制人工样本的生成和分布,以达到数据集均衡的目的,再通过随机森林分类器,实验获得相应的性能参数值,并与仅使用基本机器学习算法的模型进行对比分析。最后,考虑到SMOTE方法生成的样本存在重复项,从而容易导致模型过拟合的问题,于是引入数据清洗技术Tomek links和ENN(Edited Nearest Neighbor),可以清除重复样本。先使用SMOTE方法得到平衡数据集,再利用Tomek links或者ENN方法剔除平衡数据集中的噪声点,随后通过随机森林分类器,并与前面几种模型的检测性能进行对比分析。得出最终结论,基于SMOTE和Tomek links结合的随机森林算法事件检测模型的性能最优。本文的实验数据来源于京沪高速公路无锡检测点的真实数据库,实验算法以PyCharm软件为编程平台实验。实验结果表明,本文提出的基于SMOTE和Tomek links方法的随机森林交通事件检测模型能改善不平衡数据集的交通事件检测效果,提升事件检测效率,获得更佳的综合性能。(本文来源于《南京大学》期刊2019-05-21）
事件检测算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为设计1种检测率高的快速路交通事件自动检测(Automatic Incident Detection,AID)算法,基于突变强度理论,分析交通事件下流量、速度、占有率突变强度在纵向时间序列的变化特征,得出事件时段,交通参数突变强度值较大.本文以叁参数突变强度乘积为事件评价指数设计了1种快速路AID算法.新算法与3种AID算法对比得出:新算法检测率高(100.00%),误检率低(5.75%);与横向时间序列相比,纵向时间序列数据稳定性更好;参数数量的增加可提高检测率.新算法适用于各种流量,在低峰检测率为100.00%,误检率为0,检测效果最佳;高峰时段保持100.00%高检测率,误检率为5.66%,误检事件多发生在上下班早晚高峰和午休3个交通流量变化较大的时段.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
事件检测算法论文参考文献
[1].黄河,周步祥,张致强,刘治凡,袁岳.基于FBE算法的非侵入式事件检测方法[J].水电能源科学.2019
[2].李红伟,姜桂艳,李素兰,朱宏伟.基于突变强度的交通事件自动检测算法[J].交通运输系统工程与信息.2019
[3].王雪颖,杨文忠,张志豪,李东昊,秦旭.基于多特征的微博突发事件检测算法[J].计算机应用.2019
[4].肖利平,全腊珍,余波,霍览宇.基于改进CoSaMP的农田信息异常事件检测算法[J].农业机械学报.2019
[5].赵跃东,陈晶晶.基于FCD的城市交叉口拥堵事件计算机检测算法[J].安徽科技.2019
[6].史帅彬,张恒,邓世聪,周东国,周洪.基于复合滑动窗的CUSUM暂态事件检测算法[J].电测与仪表.2019
[7].李海丰,姜子政,范龙飞,陈新伟.群体突发异常事件检测与事件源定位算法[J].中国民航大学学报.2019
[8].汪霜霜.稀疏学习城市交通视频异常事件检测算法的研究[D].广西科技大学.2019
[9].李卓容,王凯旋,何欣龙,糜忠良,唐云祁.基于卷积神经网络的足跟着地事件检测算法[J].激光与光电子学进展.2019
[10].王娴.基于机器学习算法的高速公路交通事件检测研究[D].南京大学.2019