基于双侧t检验分析的密度调控对米老排中龄人工林生长研究

为有效维护人工林的生态,科学合理地减少人力物力的投入成本,并探析密度调控对米老排人工林生长发育的影响规律,为米老排的生长、修剪以及其他培育措施提供理论依据,以米老排为研究对象,主要运用双侧t检验分析方法以及相关的数理统计法来探析密度调控对米老排中龄林的生长影响,采用优势木和平均木两种样本对象进行数据分析,对间伐密度在米老排的胸径生长、树高生长和单株材积及其他方面进行了科学地分析。结果显示：在种植米老排初期时,米老排的生长比较依赖于外界环境,需要大约3年的抚育时间;成熟的米老排林分天然更新,种源较为充足。采伐作业对于促进米老排人工林更新的密度和频度的影响都较为显著,林分密度;需要进行调控,从蓄积角度上来看,密度调控应当不小于500株/hm²,从胸径生长角度来看,最小密度不宜小于300株/hm²。密度调节会影响生长过程、胸径和树的高度;林分管理强度越高,平均树高生长和最大年生长越低,树高成熟时间越快;林分管理强度直径越小,胸径平均增长越高,胸径成熟年龄越晚;林分管理强度高,树高总增长低,平均高增长低,平均高增长和年增长最大,材积平均生长量和连年生...     

球类运动干预对大学生心理健康影响的研究

随着社会的发展,家庭结构的转变及在应试教育的影响下,当代大学生的社会适应能力在逐渐下降。相关研究表明一部分大学生存在不同程度的心理障碍。体育运动作为消除情绪障碍、减缓心理压力和治疗心理障碍的一种重要手段。对调节大学生的心理状况具有积极的作用。     

构建共青城职工余暇体育服务体系研究

本课题就享誉"现代化的社会主义开发区"的共青城以实地走访调查的形式对其发展中的知名企业展开了响应"全民健身"的职工体育调查,并且根据所调查的现状及存在问题提出了"职工余暇体育服务体系"的发展对策与建议。     

动态多视角复杂3D人体行为数据库及行为识别

提供了一个较大规模的基于RGB-D摄像机的人体复杂行为数据库DMV (Dynamic and multi-view) action3D,从2个固定视角和一台移动机器人动态视角录制人体行为。数据库现有31个不同的行为类,包括日常行为、交互行为和异常行为类等三大类动作,收集了超过620个行为视频约60万帧彩色图像和深度图像,为机器人寻找最佳视角提供了可供验证的数据库。为验证数据集的可靠性和实用性,本文采取4种方法进行人体行为识别,分别是基于关节点信息特征、基于卷积神经网络（Convolutional neural networks,CNN)和条件随机场(Conditional random field,CRF)结合的CRFasRNN方法提取的彩色图像HOG3D特征,然后采用支持向量机(Support vector machine,SVM)方法进行了人体行为识别;基于3维卷积网络（C3D）和3D密集连接残差网络提取时空特征,通过softmax层以预测动作标签。实验结果表明：DMV action3D人体行为数据库由于场景多变、动作复杂等特点,识别的难度也大幅增大。DMV action3D数据集对于研究真实环境下的人体行为具有较大的优势,为服务机器人识别真实环境下的人体行为提供了一个较佳的资源。     

穿越稠密障碍物的自适应动态窗口法

针对应用广泛的局部避障算法-----动态窗口法(DWA)穿越稠密障碍物时存在路径不合理、速度和安全性不能兼顾等问题,提出参数自适应的DWA算法,根据机器人与障碍物距离和障碍物的密集度自动调整目标函数中的权值,以自适应环境的动态变化,从而获得移动机器人的最佳运行速度和合理路径.该方法可明显改善机器人穿越稠密障碍物区域时的性能;同时,该方法还可避免机器人从密集障碍物区域外绕行以及轨迹不平滑现象.仿真实验表明:改进的DWA算法在复杂环境中通过逐步优化可使运行轨迹更加合理,能够同时兼顾路径平滑性和安全性;机器人在离稠密障碍物较远处保持高速,通过狭窄通道或者稠密障碍物区域时速度适当降低,安全性更高,实验中总迭代次数和运行时间可缩短20%以上.     

高效3D密集残差网络及其在人体行为识别中的应用

针对3D-CNN能够较好地提取视频中时空特征但对计算量和内存要求很高的问题,本文设计了高效3D卷积块替换原来计算量大的3×3×3卷积层,进而提出了一种融合3D卷积块的密集残差网络(3D-EDRNs)用于人体行为识别。高效3D卷积块由获取视频空间特征的1×3×3卷积层和获取视频时间特征的3×1×1卷积层组合而成。将高效3D卷积块组合在密集残差网络的多个位置中,不但利用了残差块易于优化和密集连接网络特征复用等优点,而且能够缩短训练时间,提高网络的时空特征提取效率和性能。在经典数据集UCF101、HMDB51和动态多视角复杂3D人体行为数据库(DMV action3D)上验证了结合3D卷积块的3D-EDRNs能够显著降低模型复杂度,有效提高网络的分类性能,同时具有计算资源需求少、参数量小和训练时间短等优点。