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。     

基于极大似然估计的工业机器人腕部6维力传感器在线标定

针对工业机器人实时监测腕部工具工作受力情况的需求,提出了基于极大似然估计的在线标定算法.首先,在机器人末端工具的活动负载部分安装6维力传感器,并实时采集力与力矩数据以及机器人工具运动轨迹.然后,考虑到不同运行速度下运动振动的干扰,根据系统力学关系求解工具重心坐标、机器人安装倾角、力传感器零点以及负载重力.最后,在10 mm/s～1000 mm/s不同速度条件下进行实验,分析求解结果的一致性,并与最小二乘法进行对比.对比结果显示基于极大似然估计可以把工具重心平均标准差从0.67 mm降到0.23 mm,力零点标准差从0.73 N降到0.27 N,力矩零点标准差从0.29 N·m降到0.05 N·m.实验结果表明极大似然估计能有效抵抗机器人高速运动引起的干扰,可以应用于机器人高速运动情况下的实时在线零点标定.     

一种灰度化混合法在集装箱箱号识别中的运用

研究一种基于机器视觉的集装箱箱号识别方法。对于集装箱彩色图像预处理过程中的灰度化方法，传统的灰度化算法不能有效弥补图像中污损或其他信息缺失的部分，因此，本文提出使用主成分分析法（PCA）结合贝叶斯阈值估计灰度变化率的混合法对图像的灰度化进行优化，可以在判断图像中某一点灰度值与周围相邻像素点的灰度值的变化率后，弥补缺失信息，有效确定边缘特征，从而使后续的字符识别准确率大大提高。最后使用该算法模型设计实现一套用于港口集装箱的智能检测系统。经过Matlab实验验证，在对50幅港口集装箱箱号图像的识别中，通过使用本文提出的混合灰度化方法，与普通的均值法和加权平均法的灰度化方法相比，准确率更高，其中单一字符准确率可达96%，箱号准确率可达92%。     

基于限定PSO初始化空间的随机最大似然算法

针对随机最大似然算法（SML）在波达方位（DOA）估计中由于多维非线性优化导致计算复杂度大的问题，提出一种限定粒子群（PSO）算法搜索空间的SML算法。该算法克服了一个缺陷，即在采用ESPRIT算法限定PSO初始化空间时，在阵列结构是非均匀线性阵列而且信号是相干信号时ESPRIT算法不能直接处理信号，且需要采用一组预处理技术，这增加了算法计算的复杂度。提出的算法的关键之处在于采用假设技术确定初始化点来代替ESPRIT算法的解，结合克拉美罗界（CRB）确定PSO算法的初始化解空间。这一方法不必再采用预处理技术，且利用限定PSO初始化空间的算法大大降低了SML算法的计算复杂度。实验结果表明，提出的算法为相干情况和非相干情况都提供了相当好的初始值。最后，将该算法与许多现有算法进行比较，验证提出算法的有效性和准确性。     

高速数据采集分析系统在连铸机振动台的应用

板坯连铸机结晶器振动系统是铸机重要系统之一,该系统工作性能优劣直接影响连铸坯产品质量及铸机系统设备安全运行。可靠采集并有效分析铸机振动系统过程数据是设备有效管理的重要手段之一。本文通过一个工程实例研究分析高速数据采集分析系统应用平台在板坯连铸机振动系统的应用效果,并以振动系统典型的故障案例简要叙述该系统在设备故障分析处理过程中的方法及应用优势,具有一定的实用价值。     

一种混合多边缘型LDPC码密度进化算法

在二进制输入加性高斯白噪声信道下，研究了基于多边缘型低密度奇偶校验码（Multi-edge Low Density Parity Check，MET-LDPC）的密度进化算法。针对高斯近似算法在前期迭代中的不准确问题，提出了一种改进算法。在分析MET-LDPC码的密度进化的基础上，将全密度进化与高斯近似算法结合，通过设置切换限制条件，弥补早期迭代的不准确，提高编码阈值估计的准确性。仿真结果表明,与MET-LDPC全密度进化算法相比，所提算法可以有效提高编码阈值估计的准确性，对LDPC编码的设计有一定的参考价值。     

基于优势学习的深度Q网络

强化学习问题中，同一状态下不同动作所对应的状态-动作值存在差距过小的现象，Q-Learning算法采用MAX进行动作选择时会出现过估计问题，且结合了Q-Learning的深度Q网络（Deep Q Net）同样存在过估计问题。为了缓解深度Q网络中存在的过估计问题，提出一种基于优势学习的深度Q网络，通过优势学习的方法构造一个更正项，利用目标值网络对更正项进行建模，同时与深度Q网络的评估函数进行求和作为新的评估函数。当选择的动作是最优动作时，更正项为零，不对评估函数的值进行改动，当选择的动作不是最优动作时，更正项的值为负，降低了非最优动作的评估值。和传统的深度Q网络相比，基于优势学习的深度Q网络在Playing Atari 2600的控制问题breakout、seaquest、phoenix、amidar中取得了更高的平均奖赏值，在krull、seaquest中取得了更加稳定的策略。     

干扰条件下的“北斗”信号解扩重构DOA估计

在干扰条件下，卫星导航抗干扰波束形成算法往往需要卫星信号波达方向（Direction-of-Arrival，DOA）的先验信息。但当存在低信噪比信号或主动干扰源时，常规的DOA估计算法性能急剧下降甚至失效。针对此问题，提出了一种被干扰信号压制的低信噪比“北斗”信号的DOA估计算法。该算法首先通过对接收信号进行子空间投影抑制干扰信号，然后对抑制干扰后的信号进行解扩重构处理，最后通过多重信号分类算法完成对“北斗”信号的DOA估计。仿真结果表明，在干扰信号干信比80 dB条件下，“北斗”信号DOA估计误差在5°以内，为下一步进行波束形成计算提供了高精度的入射角信息。     

基于双平行互质阵列的二维非网格DOA估计

近年来,基于稀疏表示的DOA估计方法已经被广泛提出,这些方法都需预设离散的网格点,而实际信号来波方向在空间域内具有随机性,任何来波方向都是等概率出现,很有可能信号的来波方向不在网格上,因而会存在网格误差,使DOA估计结果产生较大偏差。为提高DOA估计精度,本文提出了非网格的DOA估计模型。同时,为提高测向自由度,本文应用由两个均匀线阵组成的互质阵列,并且将两个均匀线阵平行放置在同一平面。通过将两均匀线阵的互协方差矩阵向量化成互协方差矢量,可得到一维虚拟扩展的接收数据矢量,并且在稀疏表示框架下应用相应的稀疏恢复算法恢复出跟DOA参数相关的向量,从该向量中得到唯一的并且自动配对的二维DOA估计参数。仿真实验结果验证了本文算法较传统算法具有更好的DOA估计性能。