近些年来，物联网和智能设备引起研究人员越来越多的关注。利用加速度传感器产生的加速度信号，可以分析日常的人体行为，比如行走、跑步和站立。同其它模式识别应用一样，如图像标注和文字识别，特征提取和特征选择以及分类器设计是大多数面向加速度传感器人体动作识别研究主要关注的方面。本课题针对目前基于加速度信号的多类别动作识别精度不高的问题，提出了一种人体动作识别整体研究框架，并以此为基础进一步提升动作识别的准确率。该框架综合了特征提取，中层表达和特征融合等研究内容。在信号底层特征提取过程中，采用了基于张量表达与分析的信号处理方法，从而能有效的挖掘信号内在的结构特性。其次，在目前行为识别算法中，针对特征表达方面普遍存在的底层信号特征和高层语义之间的“语义鸿沟”问题，提出了基于属性方法的特征表达。该属性表达是对低层特征的中层语义表达，能够有效的缓解语义鸿沟给行为识别带来的负面影响，为提高行为识别精度奠定基础。最后，针对单一视角包含的人体信息偏差大的问题，本课题采用多视角完备空间学习算法，通过在多个视角内对完整信息进行编码从而寻找潜在完整空间的数据表达。项目执行期间培养了该方向硕士研究生6名，相关学生也取得了诸多学术成果，并在国际国内高水平学术期刊、会议上发表了多篇论文，其中论文23篇，包括SCI论文20篇，国际会议论文3篇，申请发明专利2项，其中已授权2项。所形成的研究成果被应用于中国科学院深圳先进院的柔性外骨骼项目中，该成果用于驱动柔性外骨骼装备。此外，项目成果还可广泛应用于人机交互领域特别是医疗监护、辅助康复治疗、智能机器人、运动预测等方面，从而为提升相关领域的智能化水平提供技术支撑。 2100433B

本课题研究面向加速度传感器的人体动作识别的有效方法。针对目前基于加速度信号的多类别动作识别精度不高的问题，拟提出一种人体动作识别整体研究框架。该框架综合了底层特征提取，中层表达和分类器设计。在信号底层特征提取过程中，拟采用基于张量表达与分析的信号处理方法，从而能有效的挖掘信号内在的结构特性。其次，在目前行为识别算法中，针对特征表达方面普遍存在的底层信号特征和高层语义之间的“语义鸿沟”问题，拟提出基于属性方法的特征表达。该属性表达是对低层特征的中层语义表达，能够有效的缓解语义鸿沟给行为识别带来的负面影响，为提高行为识别精度奠定基础。最后，为了提高行为模型的识别能力和鲁棒性，本课题拟采用稀疏编码与多元逻辑回归联合学习的识别方法。与现有方法相比，所提出的方法充分利用了底层特征与高层分类任务的联系，克服了底层数据繁多难以处理的问题，提高了行为识别的精度。

本项目研究面向并行工程的产品建模方法，包括研究集成的产品多领域模型，能够同时支持特征设计和特征识别的库特征表示，能够并行建立产品多领域模型的混合特征建模方法，产品多领域模型的有效性和一致性维护方法等。本项研究对显著提高现有产品建模技术的功能使其能够有效地支持并行工程具有重要意义，对在我国顺利实施并行工程将起到积极作用。 2100433B

识别装配CAD模型全局对称性，能大幅降低装配模型CAE分析的运算规模。装配模型通常结构复杂且数据量大，对称性识别十分困难。装配模型全局对称性的快速识别对提高CAE分析效率意义重大。. 本项目首先研究零件CAD模型的对称性快速识别方法，以此为基础，主要研究面向CAE分析的装配CAD模型全局对称性识别方法，研究内容包括几何级、特征级、静态级、动态级CAD模型的对称性识别。不同于以往以点、边、面为基本信息单元，本项目以特征、零件等宏观信息单元为基本识别单元，基于层次递进分而治之的思想，通过先识别后验证，逐步识别CAD模型的全局对称性。提出B-Rep模型、特征模型、静态装配模型及动态装配模型的对称性识别方法。这些方法不仅利用模型的几何信息，更是充分利用特征、装配关系、运动副等工程信息，通过建立对称关联规则、几何推理等方法，有效降低装配模型对称性识别运算规模，从而提高其对称性识别效率。

路面纹理是影响路面抗滑性能的关键因素之一，以往的研究仅从垂直方向、水平方向或单重分形层面刻画路面纹理整体的几何形貌，未能揭示出路面纹理所蕴含的整体相似性、局部差异性、复杂性等关键特征，因而也未能有效估计路面抗滑性能。本项目创新性的提出采用多重分形技术识别不同尺度下的路面纹理特征，试图找到能全面反映具有抗滑差异性的路面纹理之间的奇异谱及其快速求解方法，探寻最能表述纹理丰富信息的新参数集，并通过大量的实验分析与理论推导阐明新参数集对路面抗滑性能产生显著影响的物理意义；尝试采用多元统计和人工神经网络技术构建基于纹理多重分形特征向量的路面抗滑性能非线性最优估计模型及其校验方法，该模型可用于指导路面纹理施工，为铺制具有不同抗滑性能的路面提供理论支撑。