基于深度学习的人体姿态估计方法综述

基于深度学习的人体姿态估计方法旨在通过构建合适的神经网络，直接从二维的图像特征中回归出人体姿态信息。主要按照2D人体姿态估计到3D人体姿态估计的顺序，并从单人检测与多人检测、稀疏的关节点检测与密集的模型构建等方面，对近年来基于深度学习的人体姿态估计方法进行系统介绍，从而初步了解如何通过深度学习的方法得到人体姿态的各个要素，包括肢体部件的相对朝向和比例尺度、骨骼关节点的位置坐标和连接关系，甚至更为复杂的人体蒙皮模型信息。最后,对当前研究面临的挑战以及未来的热点动向进行概述，清晰地呈现出该领域的发展脉络。     

组合式闸板胶芯性能的正交试验和回归分析

带压作业的闸板防喷器胶芯密封结构多采用组合密封,橡胶基体和耐磨块的材料特性同时影响胶芯的密封性能。为了分析闸板胶芯的材料参数对其密封性能的影响,选择胶芯密封面上的有效接触应力和橡胶基体上最大应变能密度作为密封性能的评估指标,基于正交试验法分析影响闸板防喷器胶芯密封性能的主次因素及规律,建立了材料参数与有效应力之间的多元完全二次非线性回归模型,并分析了各参数的交互作用。分析结果表明:各因素对密封面上有效接触应力和橡胶基体上最大应变能密度的敏感性大小顺序为操作压力>耐磨块弹性模量>橡胶基体硬度>耐磨块泊松比;建立的多元回归模型的拟合剩余标准差分别为0. 513 0和0. 314 1,可以用该模型精确地分析材料参数与胶芯密封性能的关系;组合式闸板防喷器胶芯耐磨块最佳弹性模量为700～800 MPa,泊松比为0. 40～0. 47。所得结果可为组合式闸板防喷器胶芯的材料参数设计提供依据。     

组合降采样极限学习机

设计了一种针对不平衡数据集的学习机,即组合降采样极限学习机(EUS ELMs)。当训练数据集不平衡时,普通分类器对少数样本的分类敏感性较低,而给予多数样本过度关注。针对这种问题,将组合降采样结构与极限学习机(ELM)结合起来,形成一种新的组合学习机。该学习机继承了组合降采样结构对样本选择的依赖性小的优点,和极限学习机分类效率高、耗时短的优势,而且可以通过不同的参数设置控制对少数样本的关注度,根据使用者需求获得不同分类效果。     

水文序列相依变异识别的RIC定阶准则——以自回归模型为例

水文过程相依性是水文变异的主要表现形式之一,应用自回归模型对其进行拟合时合理确定模型阶数是一个难点问题。本文在分析AIC和BIC准则的基础上,提出了一种以原序列与其相依成分的相关系数作为拟合度指标,同时借用信息熵形式的函数式,作为模型不确定性度量指标的自回归模型定阶准则(简称RIC准则)。以AR(1)、AR(2)、AR(3)和AR(4)模型为例进行统计试验,将不同序列长度下该准则的定阶准确率与其他定阶准则进行比较,试验结果表明,RIC准则对于上述模型均具有较好的适应性,且定阶准确率远高于AIC准则,其中对于前三阶模型RIC准则优于BIC准则,但四阶模型略低于BIC准则。RIC准则的优势是可以同时满足模型定阶、相依程度分级与模型检验的需求,将其应用于实测水文序列分析,结果显示,该准则能较准确地识别自回归模型的阶数,且符合提出的"相依有变异而残差无变异的最小阶数"的检验标准。