行人轨迹预测能够有效降低行人轨迹突变造成的碰撞风险，在智能交通及监控系统等领域有着广泛应用。目前已有的研究大多利用无向图卷积网络对行人间的社会交互关系进行建模，这种方法缺少对行人隐藏状态关联性的考虑，容易产生行人间的冗余交互。针对这一问题，提出一种基于注意力机制和稀疏图卷积的行人轨迹预测模型（DASGCN），通过构建深度注意力机制，捕捉行人间运动隐藏状态的关联性，从而准确地提取行人运动状态特征。进一步提出自调节稀疏方法，减小冗余信息带来的运动轨迹偏差，解决行人密集无向交互的问题。将所提模型在ETH和UCY数据集上进行验证，其平均位移误差（ADE）和最终位移误差（FDE）分别达到0.36和0.63。实验结果表明，DASGCN对行人轨迹的预测能力要优于传统算法。

针对轻量化网络在目标检测中检测精度低的问题，提出了一种以MobileNet为基础网络的轻量级目标检测网络MobileNet-RFB-ECA。针对目标多尺度特性，采用基于轻量化扩充感受野模块（RFB）的特征金字塔网络结构增强网络对目标多尺度特性的适应性。与此同时，针对复杂注意力模块导致计算量大的问题，在主干特征提取网络添加有效通道注意力机制模块（ECA），提高卷积神经网络的性能。实验结果表明，相较于MobileNet，所提MobileNet-RFB-ECA在PASCAL VOC数据集和KITTI数据集上检测精度分别提高了4.2个百分点和15.4个百分点，模型大小分别为50.3 MB和48.5 MB，平均检测速度为34 frame·s^-1。

物质的太赫兹光谱具有独特的“指纹谱”特性,可以利用该特性对物质进行识别。随着人工智能技术的发展,深度学习算法在太赫兹光谱识别领域得到了越来越广泛的应用。然而在实际应用中,受实验设备、实验条件以及实验环境等因素的影响,所获取的太赫兹光谱数据并不总是大规模的,无法满足深度学习算法所需的数据量要求。为了解决这一问题,本文提出了一种基于生成对抗网络（GAN）的太赫兹光谱识别方法。首先利用S-G滤波器和三次样条插值法对物质的太赫兹光谱数据进行预处理,然后通过GAN生成具有真实太赫兹光谱数据分布的仿真数据,最后将生成的数据以及真实光谱数据作为训练样本对深层神经网络进行训练,从而得出物质的识别结果。实验结果表明：GAN模型生成的太赫兹光谱数据可以有效地模拟真实太赫兹光谱数据的总体特征,扩充太赫兹光谱数据样本,极大地提高了光谱的识别精度。

特征提取是太赫兹光谱识别的关键处理步骤, 通常利用降维方法作为特征提取手段。 然而, 当一些化合物的太赫兹光谱曲线整体差异度较小时, 降维方法往往会缺失样本差异的重要特征信息, 从而导致分类错误。 如果不采用降维方法提取特征, 传统机器学习分类算法对维数较高的原始太赫兹光谱数据又不能很好的分类。 针对此问题, 提出了一种基于双向长短期记忆网络(BLSTM-RNN)自动提取太赫兹光谱特征的识别方法。 BLSTM-RNN作为一种特殊的循环神经网络, 利用其LSTM单元可以有效解决原始太赫兹光谱数据维数较高使得模型难以训练问题。 再结合模型的双向频谱信息利用架构模式, 可以增强模型对复杂光谱数据自动提取有效特征信息的能力。 采用三类、 15种化合物太赫兹透射光谱作为测试对象, 首先利用S-G滤波和三次样条插值对Anthraquinone, Benomyl和Carbazole等十五种化合物在0.9～6 THz内的太赫兹透射光谱数据进行归一化处理, 然后通过构建一个具有双向长短期记忆的循环神经网络对太赫兹光谱的全频谱信息进行自动特征提取并利用Softmax分类器进行分类。 通过试验优化网络结构和各项参数, 最终获得了针对复杂太赫兹透射光谱数据的预测模型, 并与传统机器学习算法SVM, KNN及神经网络算法MLP, CNN进行对比实验。 结果表明, dataset-1和dataset-2分别作为差异度较大和无明显峰值特征的五种化合物太赫兹透射光谱数据集, 其平均识别率分别为100%和98.51%, 与其他方法相比识别率有所提高; 最重要的是, dataset-3作为5种化合物谱线极为相似的太赫兹透射光谱数据集, 其平均识别率为96.56%, 与其他方法相比识别率提高显著; dataset-4作为dataset-1, dataset-2和dataset-3的透射光谱数据集集合, 其平均识别率为98.87%。 从而验证了BLSTM-RNN模型能自动提取有效的太赫兹光谱特征, 同时又能保证复杂太赫兹光谱的预测精度。 在选择模型训练优化算法方面, 使用Adam优化算法要好于RMSProp, SGD和AdaGrad, 其模型的目标函数损失值收敛速度最快。 同时随着模型训练迭代次数增加, 相似太赫兹透射光谱数据集的预测准确率也不断提升。 可为复杂太赫兹光谱数据库的光谱识别检索提供一种新的识别方法。

特征提取对于太赫兹光谱识别来说至关重要。 传统方法是通过人工选取太赫兹光谱中差异性较大的吸收峰作为特征进行光谱识别, 但当部分物质在太赫兹波段没有明显波峰、 波谷等光谱图形特征时, 这种方式便不再适用。 为此, 研究人员利用统计学习与机器学习方法对高维太赫兹光谱数据进行降维和特征提取。 由于物质的太赫兹光谱数据各维度呈现非线性, 尤其是当不同物质的太赫兹光谱曲线整体非常相似时, 线性处理方法易产生较大误差。 针对这一问题, 提出了一种基于扩散映射(DM)的太赫兹光谱识别方法。 扩散映射能在保持数据内在几何结构的同时对其进行非线性降维, 提取的流形特征区分度较高, 对数据还有聚类效果。 首先用S-G滤波器对Alloxazine等10种物质的太赫兹光谱样本进行滤波, 并用三次样条插值法对截取相同频段后的光谱样本进行统一分辨率处理； 然后利用DM将高维太赫兹光谱数据映射到低维特征空间并提取太赫兹光谱的流形特征； 最后用多分类支持向量机(M-SVM)对十种物质的太赫兹透射光谱进行分类。 实验结果表明, 相比于主成分分析(PCA)和等距映射(ISOMAP), 使用DM提取的太赫兹光谱流形特征具有更高的区分度, 而且DM可以直接得到太赫兹光谱数据本征维数的估计值, 这为相似太赫兹光谱的快速精准识别提供了一条新的途径。

太赫兹频谱对分子非局域振动模式的变化较为敏感。 因此, 其波形容易受到多种理化因素的影响, 会产生峰值改变、 频移, 甚至整体波形的变化, 单一地从固定峰值特征与物质的对应关系上进行组分分析和物质鉴别容易产生较大误差甚至错误。 针对此问题, 提出区别于局部特征提取方法的基于核优化相关向量机（KO-RVM）的整体图形特征提取方法, 并与支持向量回归算法（SVR）进行比较。 结果表明, 经过期望最大化算法进行基函数参数控制的RVM适用于太赫兹透射谱的特征提取, 可对每种物质的光谱数据进行稀疏表示, 控制提取图形特征的数量。 利用已提取特征构造的模型能够还原频谱曲线的整体特征, 对谱线各频段的拟合效果更加一致, 同时所提取的特征还可作为不同物质间太赫兹光谱相似性度量和共同特征发现的依据。

特征提取和分类是太赫兹光谱识别的关键。 部分物质在太赫兹波段内没有明显的吸收峰, 难以人工定义、 提取特征及分类识别, 为此, 结合深度信念网络(deep belief network, DBN)和K-Nearest Neighbors (KNN)分类器的优点, 提出了一种基于DBN的太赫兹光谱识别方法。 首先利用S-G滤波和三次样条插值对ATP, acetylcholine_bromide, bifenthrin, buprofezin, carbazole, bleomycin, buckminster和cylotriphosphazene在0.9～6 THz内的太赫兹透射光谱进行归一化处理; 然后由两层受限波尔兹曼机(restricted Boltzmann machine, RBM)构建DBN模型, 并采用逐层无监督的方法训练模型, 以自动提取太赫兹光谱特征; 最后用KNN分类器对8种物质的太赫兹透射光谱进行分类。 结果表明, 使用DBN自动提取的光谱特征, KNN分类器、 BP神经网络、 SOM神经网络和RBF神经网络的分类准确率达到了90%以上, 且KNN分类器的识别率优于其他三种分类器; 采用DBN自动提取物质的太赫兹光谱特征大大减少了工作量, 在海量光谱数据识别中具有广阔的应用前景。

物质的太赫兹光谱包含着非常丰富的物理和化学信息.它对化合物晶体具有高的灵敏度、单光子能量低等特点.但受到检测人员知识背景、背景噪声、识别算法精度等因素的影响,光谱样本识别准确率和效率较低.为了提高对太赫兹光谱的检测能力,提出应用基于凸组合核函数的support vector machines(SVM)对化合物的THz脉冲透射谱进行分类.在使用小波变换对数据进行滤波预处理之后,提取了传统波峰、波谷位置特征和term frequency-inverse document frequency(TF-IDF) 最大间隔特征.TF-IDF方法使用信息论的原理确定每个采样点的权重,选择权重较大的点作为特征.针对太赫兹透射谱特征相似、维数较低带来的分类困难问题,构建基于凸组合核函数的SVM分类模型.并利用核评价的方法,通过高维非线性规划方程求解最优凸组合参数.当最优凸组合参数被确定时,构建分类模型进行分类和预测.相比较于单一核函数,凸组合核函数将透射谱特征与分类模型融合起来.对于不同的检测样本,数据经过凸组合核函数映射到高维空间后,特征具有更显著的区分度.使用不同的太赫兹透射谱样本进行分类实验,结果表明,分类准确率得到极大提高.