基于深度学习的视频跟踪研究进展综述

近年来深度学习迅猛发展，颠覆了语音识别、图像分类、文本理解等领域的算法设计思路。深度学习因其具备强大的特征提取能力，在图像识别领域的成绩尤为突出。然而深度学习与视频监控领域的结合并不多，由于深度模型具有多层网络结构，算法复杂度大，训练和更新模型时比较耗时，很难满足实时性要求。回顾了深度学习的发展史，介绍了最近10年来国内外深度学习主要模型，论述了基于深度学习的目标跟踪算法，指出了各算法的优缺点，最后对当前该领域存在的问题和发展前景进行了总结和展望。     

多边形坡屋顶屋脊线的递归算法

坡屋顶是比较常见的一种屋面构造形式。在建筑结构CAD辅助设计软件中,自动生成坡屋顶是一项必要的功能。坡屋顶尽管有多种形式,但其基础算法却大同小异。本文探讨的是最有代表性的一类坡屋顶的屋脊线算法问题。坡屋顶的底边可为简单规则的四边形、六边形,但也可能为任意的复杂多边形。根据坡屋顶的底边及坡屋面的倾角求坡屋顶的屋脊线是相对较复杂的几何问题。经过尝试,本文针对这个问题找到了一种非常简明有效的递归算法,该算法主要基于试探性的解题路线和屋脊线无交叉的有效性判断准则,很适于在计算机上编程实现。坡屋顶的屋脊线算法已有不止一种,本文的新意在于算法的简练。若把这种思路在类似问题中加以扩展,也很容易应用在其它一些建筑几何问题的算法处理上。     

改进的微分等价递归算法

微分等价递归算法计算简单,在体系可靠度计算中有着广泛的应用。但是传统的微分等价递归算法精度低,并且利用数值差分来求解等价失效模式,计算量大。本文推出了等价线性失效模式的解析表达式,提高了等价模式的精度,并大大降低了计算量;在此基础上,分析了传统微分等价递归算法利用等价线性失效模式代替两个失效模式交集产生误差的原因,提出了改进的微分等价递归算法,从而大幅度地提高了计算精度,为微分等价递归算法在实际工程中的应用奠定了良好基础。     

节点递归算法用于污水管网的优化设计

采用节点递归算法和坐标轮换法，以节点为研究对象，以费用最低为优化目标，直接以节点标高为约束条件对污水管网的设计进行了优化。管网联系矩阵的应用克服了在管网交叉带点处上下衡接的计算和控制点不易确定的困难。最后，列举实例进行了计算说明。     

基于FMCW雷达的人体生命体征信号预测算法

将FMCW雷达检测到的人体生命体征信号,用于预测未来一段时间内人体生命体征信号是否异常,具有明显的应用价值。该方向当前研究主要针对如何进一步降低重构误差、提升生命体征信号的预测精度。为此,本文提出一种自适应变分模态分解?长短期记忆神经网络的生命体征信号预测方法。针对静止状态下的人体,通过雷达采集到的生命体征信号,采用粒子群算法优化变分模态分解VMD的模态分量个数K和惩罚系数α的值,实现自适应选取后用于VMD分解,再将分解后的模态分量进行叠加重构。采用粒子群算法优化长短期记忆网络模型中的网络层数、学习率、正则化系数等3个参数,自适应选取合适的参数组合,将重构后的信号通过优化后的LSTM网络进行预测。实验结果显示本文所提预测方法在10位志愿者的预测结果与原始数据的均方根误差平均值为0.017 188 9,平均绝对误差的平均值为0.007 158,相较于当前其他研究,预测精度上有明显提升。     

融合边缘检测和递归神经网络的视频表情识别

为有效解决传统视频人脸表情识别通常只关注单张视频帧的空间特征,而忽略了相邻帧之间隐藏的时间特征的问题,提出一种结合边缘检测和递归神经网络的视频表情识别方法,利用梯度边缘检测准确地提取输入图像的纹理信息,同时提出一种分片交叉LSTM结构,提取出图像序列中隐藏的时空特征。实验在CK+和MMI视频库上进行,在OCNN-RNN网络中分别取得88.4%和69.7%的识别率,在GCNN-RNN网络中分别取得89.8%和73.6%的识别率,最终使用提出的加权随机搜索方法融合GCNN-RNN和OCNN-RNN两个网络之后,分别取得了94.6%和79.9%的识别率,均优于单流网络算法,证明了所提算法的有效性。     

基于点迹时空关系的雷达目标航迹识别

雷达目标航迹的识别有助于指挥员判断对方作战意图和作战任务,从而为战场决策提供协助作用,但目前少有文献研 究目标航迹识别问题。 根据雷达检测到的目标物体的时间、距离和方位等时空数据,研究目标航迹识别问题,并提出了一种基 于雷达点迹数据时空关系的目标航迹识别算法(TRST)。 该算法首先对雷达点迹数据进行属性选择,然后挖掘点迹数据在空间 关系上的间距值特征,最后构建递归神经网络进一步捕捉点迹数据的时空关系特征,实现对目标航迹的分类识别。 实验结果表 明,TRST 算法能够有效提高目标航迹识的准确率、精确率、召回率和 F1-Score 性能。     

基于DRNN自整定QPR-DMRC控制的并网逆变器技术

针对常规并网逆变器中电网电压会出现畸变及传统控制器动态响应差等问题,通过分析准比例谐振和传统重复控制策略的优缺点,提出了一种基于对角递归神经网络的改进型QPR-双模重复控制(DMRC)复合控制器并给出其控制算法,DRNN采用LM算法,利用DRNN参数自整定技术,对改进型QPR-DMRC控制器参数进行在线整定,该方法既能够有效地对奇、偶次谐波进行抑制,同时解决了QPR控制器参数整定困难等问题。采用Matlab/Simulink进行仿真研究,结果表明该方法能有效地降低系统谐波总畸变率,提高了系统的抗干扰能力,实现逆变器无静差稳定运行。     

面向飞行器交会对接应用的载波相位差分技术研究

GNSS引导两飞行器交会对接的前提是实时可靠地估计相位模糊度。针对卫星和飞行器的高动态性所引发的频繁换星问题,提出一种实时递归相位模糊度估计方法。该算法能够有效处理失锁所造成的卫星起落现象,同时充分利用历史观测与当前观测方程中部分模糊度分量的关联性,使得模糊度估计的成功率对可见卫星数目的减少不敏感。为了验证该算法在空间飞行器对接中的精度和成功率,采用GPS模拟器仿真两飞行器近程导引段和最终逼近段的过程,应用新算法实时估计两飞行器间相对位置,精度达到亚厘米级水平,成功率在可见星数递减时依然渐进逼近100%。     

基于RBF-FCM-OLS的边坡稳定性评价方法

RBF神经网络具有很强的非线性并行处理能力和泛化能力,并且有很快的学习收敛速度,不易陷入局部极小,在边坡稳定性评价中已得到广泛的应用.但其过分依赖于隐含层数据中心的选取是否合适,故引入模糊-C均值聚类(FCM)算法对其进行优化.以122组边坡样本作为样本总体,其中1～114组为训练样本,115～122组为测试样本,运用FCM算法在边坡训练样本中初选多个RBF网络的数据中心,在此基础上运用正交最小二乘法(OLS)训练网络,利用训练后得到的回归矩阵信息在初选结果中重新选择RBF网络的数据中心,从而使数据中心得到优化,简化了RBF神经网络的结构.将优化后的RBF神经网络应用到边坡测试样本的安全系数的预测中,得到较高的预测精度.该方法加快了RBF神经网络的训练速度,提高了运算速率,与传统的BP网络进行比较,进一步证明RBF及其学习算法的优越性和实用性.