-
公开(公告)号：CN106022244B
公开(公告)日：2019-09-17
申请号：CN201610322129.3
申请日：2016-05-16
Applicant: 广东工业大学
IPC: G06K9/00
Abstract: 本发明公开了基于递归神经网络建模的无监督人群异常监测及定位方法，该方法利用监控视频的时间序列特性与递归神经网络长时间依赖性相结合，并在对视频场景进行网格划分后，针对每个网格进行单独建模，选择性的利用光流统计特征对正常情况下人群序列动态进行无监督的学习，并采用Hessian‑Free Optimization方法对模型进行训练，最后将含有异常的数据载入模型，通过衡量t+1时刻与t时刻光流统计直方图之间的距离，对t+1时刻的人群场景进行监测和定位。该方法实现了时间和空间上的全局建模，很好的保留了各时刻人群动态序列特征之间的联系，且简化了模型的复杂度，降低了RNN训练难度，对异常事件的监测和定位有着较好的实时性和准确性。
-
公开(公告)号：CN106454400A
公开(公告)日：2017-02-22
申请号：CN201610838513.9
申请日：2016-09-20
Applicant: 广东工业大学
IPC: H04N21/234 , H04N21/25 , H04N21/258 , G06F17/30
Abstract: 一种面向网络电视用户的时序主题偏好预测方法，通过提取用户d天观看电视节目的基本数据，将用户观看电视节目的时间d分为N时间片段，使用隐含狄利克雷分布(LDA)模型进行分析得到n个关于电视节目的主题以及电视节目在不同主题下的概率分布；运用最高分布概率替换原则，得到用户在不同时间片段的主题偏好，结合用户时序主题偏好及主题下电视节目的分布预测用户每一天各个时间片段里可能观看的电视节目以及用户特征，有利于电视运营商为用户提供高质量用户体验服务，有利于电视运营商结合用户特征推广增值服务及第三方商业服务，提高经济效益。本发明通过对提取的数据先进行清理，清除了一些实用性不强的数据，从而提高了预测结果的可靠性。
-
公开(公告)号：CN106022244A
公开(公告)日：2016-10-12
申请号：CN201610322129.3
申请日：2016-05-16
Applicant: 广东工业大学
IPC: G06K9/00
Abstract: 本发明公开了基于递归神经网络建模的无监督人群异常监测及定位方法，该方法利用监控视频的时间序列特性与递归神经网络长时间依赖性相结合，并在对视频场景进行网格划分后，针对每个网格进行单独建模，选择性的利用光流统计特征对正常情况下人群序列动态进行无监督的学习，并采用Hessian‑Free Optimization方法对模型进行训练，最后将含有异常的数据载入模型，通过衡量t+1时刻与t时刻光流统计直方图之间的距离，对t+1时刻的人群场景进行监测和定位。该方法实现了时间和空间上的全局建模，很好的保留了各时刻人群动态序列特征之间的联系，且简化了模型的复杂度，降低了RNN训练难度，对异常事件的监测和定位有着较好的实时性和准确性。
-
公开(公告)号：CN106454400B
公开(公告)日：2019-09-13
申请号：CN201610838513.9
申请日：2016-09-20
Applicant: 广东工业大学
IPC: H04N21/234 , H04N21/25 , H04N21/258 , G06F16/70
Abstract: 一种面向网络电视用户的时序主题偏好预测方法，通过提取用户d天观看电视节目的基本数据，将用户观看电视节目的时间d分为N时间片段，使用隐含狄利克雷分布(LDA)模型进行分析得到n个关于电视节目的主题以及电视节目在不同主题下的概率分布；运用最高分布概率替换原则，得到用户在不同时间片段的主题偏好，结合用户时序主题偏好及主题下电视节目的分布预测用户每一天各个时间片段里可能观看的电视节目以及用户特征，有利于电视运营商为用户提供高质量用户体验服务，有利于电视运营商结合用户特征推广增值服务及第三方商业服务，提高经济效益。本发明通过对提取的数据先进行清理，清除了一些实用性不强的数据，从而提高了预测结果的可靠性。
-
-
-
Search Results
4
records
(took 0.014 seconds)
