双足足球机器人行走步态研究

为了研究双足足球机器人行走时步态的连续性和稳定性，首先提出了双足足球机器人的体系结构，然后给出了基本步态算法，增加了行进中步态校正策略，包括动态和静态步伐的校正．解决了动、静态行走时步态的准确性和鲁棒性．试验数据验证了步态方程和步态校正策略能够适应FIRA比赛要求．     

混合深度学习机制下的H型高血压脉诊预测

现有H型高血压诊断需要检测患者体内的伴有血浆同型半胱氨酸含量,效率低且带有创口。中医学脉诊可以通过分析患者脉搏生理活动,结合临床问诊信息实现H型高血压无创辅助诊断。本文提出了基于混合深度学习的脉诊分类模型,在具有双向长短时记忆(Bi-directional long short-term memory,BiLSTM)网络中增加卷积神经网络(Convolutional neural network,CNN)结构提取脉诊特征局部相关特征,构建基于CNN-BiLSTM结构的高血压脉诊分类网络。实验采用上海中医药大学附属龙华医院及中西医结合医院的325例临床疑似高血压脉诊病例。实验结果表明本文模型评估参数灵敏度、特异性、正确率、F₁-score、接收者操作特征(Receiver operating characteristic,ROC)曲线及其下方围成的面积(Area under curve,AUC)值分别为：79.71%、69.56%、77.17%、83.96%、0.850 0,高于经典机器学习方法的诊断精度,对中医临床辅助诊断具有较好的参考价值。     

移动机器人里程计非系统误差不确定性分析方法

移动机器人里程计非系统误差建模是研究移动机器人定位问题的基础。现有的移动机器人里程计非系统误差建模方法多数针对某一种驱动类型移动机器人设计,运动过程中缺乏对里程计累计误差的实时反馈补偿功能,经过长距离运动过程定位精度大幅度降低。基于此,针对同步驱动和差动驱动轮式移动机器人平台提出一种通用的里程计非系统误差建模方法。在假设机器人运动路径近似弧线基础上,依据里程计误差传播规律推导非系统误差与里程计过程输入量之间的近似函数关系,进而对移动机器人位姿跟踪过程中产生的里程计累计误差给予实时反馈补偿。里程计非系统误差建模前后定位过程的对比试验表明,这种非系统误差实时补偿方法有效地减少了移动机器人导航过程中产生的里程计累计误差,提高了定位精度。     

基于点云的地平面初系数估测

提出了一种基于点云的地平面初系数估测算法。采用八叉树存储包含RGB和空间位置信息点云数据,通过比较相邻两帧树的叶节点来获取运动目标的局部点云。并使用随机采样一致性算法估计,由运动目标局部点云重心所构成的点集上的平面模型参数。同时,采用ISOCLUS算法对场景在法向空间和距离空间上进行两次聚类来分割平面。最终,以运动平面法向信息作为参考因素,从待选平面中标识出地平面点云数据。实验结果显示,该方法可有效地估测出地平面初系数。     

一种有效神经网络训练优化方法

指数移动平均(EMA)算法,通常可用于过滤由小批量梯度下降引起的噪声,提高模型鲁棒性。然而,传统EMA算法在持续训练后期,无法有效优化网络参数,深层神经网络经常出现过拟合。因此,本文提出一种以变系数Tanh为衰减函数的动态衰减EMA算法,结合SGD优化器的T-ADEMA+SGD算法,进行神经网络训练。针对MNIST、CIFAR＿10、CIFAR＿100数据集,采用优化器SGD训练ResNet50模型,并针对胸部X射线图像训练Vision Transformer(ViT)模型,同时采用深度卷积生成对抗网络(DCGAN)进行数据增强和基于t分布,随机邻域嵌入(t-SNE)模型用于可视化分析。实验表明,对于CIFAR＿100测试集,T-ADEMA+SGD算法的准确率、精度、召回率和F₁值分别为74.15%、74.39%、74.15%、74.04%;而对于Kaggle COVID-19三分类图像,相应的评价指标分别为87.94%、91.19%、84.43%、86.87%,与典型算法相比,本文模型可以更好地根据训练时间,动态调整最优参数、降低噪声,具有更好的泛化性能,适用于...     

集成学习机制下的鼻炎辅助诊断模型

鼻炎（Rhinitis ）是上呼吸道常见的慢性炎症,具有多种证型和体征。鼻炎临床分类具有样本类型多、类别不平衡特征,属于多输出分类范畴,常出现少数类样本识别率低、综合分类精度差的问题。为此,本文提出异质集成结构分类算法,将鼻炎多输出分类转化为多标签和多类别分类,采用集成学习算法构建异质集成分类器。该方法可根据子数据集中单一类标的不平衡度,自动调节集成森林基学习器数量和深度,有效减少不均衡样本对分类的影响,提高多数类和少数类的总体分类精度,进而提升集成模型的泛化能力。针对临床461例鼻炎样本进行交叉验证分类实验,本文分类模型灵敏度为74.9%,特异性为86.5%,准确度为92.0%,F1为0.783,AUC为0.953。与6种典型模型相比,本文模型具有更好的评估性能,更适合于鼻炎的早期临床诊断。