特征处理

开发了一种深度学习模型，用于识别和分类人类的日常活动。同时，我们引入了一种新颖的音频隐私保护技术，该技术专门设计用于从高分辨率音频中提取非语音信息，并结合了惯性传感器数据。为了训练和测试我们的模型，我们构建了一个数据集，包含了多名参与者使用定制硬件设备进行的不同日常活动。我们详细阐述了数据的收集和预处理流程，并提出了一种创新的混合注意力机制的人类活动识别（HAR）方法。

可见光谱学和近红外漫反射光谱学（Vis-NIR）有助于快速和无破坏性的估算各种土壤特性，建立一种基于这种方法的估计模型有助于节省测量土壤氮元素含量所需的资源。本文中我设计了一种组合卷积神经网络（CNN）和Transformer网络两种模型的联合模型来预测土壤中氮元素含量，称为CNN-Transformer联合模型。它结合了CNN从数据中提取局部和抽象特征的能力，以及Transformer网络学习序列特征的各种依赖性的优势。本文中我通过区间随机蛙跳算法和斯皮尔曼相关系数法对选取特征光谱，然后在不同输入的情况下对比本文设计的联合模型、偏最小二乘模型、单独CNN和单独Transformer的预测精度并对它们的泛化能力进行测试。最后使用贝叶斯自动优化超参数模型对效果较差的联合模型的超参数进行调优来提高其预测能力。

该项目基于pyTorch的深度学习API实现的一个U-Net的图像分割的深度学习框架。目前用于项目：穿越机的自主导航，作为其中的感知部分。获取穿越赛道门的像素坐标，从而进一步做位姿估计用于下一步的路径规划。该项目下一步使用MPC和DRL结合实现的路径规划方案。