基于视频的三维人体姿态估计

已有的三维人体姿态估计方法侧重于通过单帧图像来估计人体的三维姿态,忽略了视频中前后帧之间的相关性,因此,通过挖掘视频在时间维度上的信息可以进一步提高三维人体姿态估计的准确率。基于此,设计了一种可以充分提取视频时序信息的卷积神经网络结构,在获得高精度的同时也具有消耗计算资源小的优点,仅仅使用二维关节点的坐标为输入即可恢复完整的三维人体姿态。然后提出了一种新的损失函数利用相邻帧间人体姿态的连续性,来改进视频序列中三维姿态估计的平滑性,同时也解决了因缺少帧间信息而导致准确率下降的问题。通过在公开数据集Human3.6M上进行测试,实验结果表明本文方法相比目前的基准三维姿态估计算法的平均测试误差降低了1.2 mm,对于视频序列的三维人体姿态估计有着较高的准确率。      

结合轮廓及骨架序列编码的二维形状识别

二维形状识别是物体识别中的一个基本问题,被广泛地应用于商标检索、指纹识别、物体定位、图像检索等多个领域。其中,基于生物信息学的二维形状识别是近期一个新的研究方向,基本思想是把二维形状的轮廓转化为生物信息序列,借助标准的生物信息序列分析工具来进行二维形状的匹配和识别。不过,利用轮廓进行信息序列编码存在编码冗余和编码准确性不高的问题,本文提出了一种新型的结合形状轮廓和骨架的序列编码方法。该方法利用骨架表示形状的细长分支,减少编码的冗余;并分别对轮廓和骨架进行不同类型的编码,具备编码简洁、后续匹配准确性高等优点。最后,本文在三个公开数据集上进行大量的形状识别实验,并与多种通用形状识别方法进行了比较。实验表明,本文方法在多个实验中均取得了较高的识别准确率,相比基本的形状特征描述方法,准确率提高了近5%。      

期望状态序列导向的深空探测器规划修复方法

Aiming at the challenges caused by the persistence, concurrency and energy consumption of probe actions, a plan repair method of deep space probe based on the expected state sequence is proposed. In this method, the expected state sequence is formed of the expected effect of the unfinished action and the expected precondition of the unexecuted action in the pre designed plan, according to the execution status of the action. The expected state sequence is an ordered set of states with mixed logic and energy, providing subgoals for plan repair and also transforming the plan repair problem into the state transition path searching problem. During the search, the plan repair strategy with energy supply priority is proposed, which separates the logic repair from energy repair to reduce the difficulty of solving the problem. And this method enables the probe to recover from plan failure autonomously. Finally, the effectiveness and rationality of the proposed method are verified through simulation by taking the Mars Orbiter as an example.     

基于趋势符号聚合近似的卫星时序数据分类方法

作为在时间序列数据挖掘中广泛使用的主要符号化表示方法，符号聚合近似（SAX）使用段的平均值作为符号表示，由于无法区分具有不同趋势但具有相同平均值符号的不同时间序列，某些情况下可能会导致错误的分类。提出了一种改进的符号表示——趋势符号聚合近似（TrSAX），集成SAX与最小二乘法，用以描述时间序列的均值和斜率，并由此构建出BOTS分类器。此外，对卫星的模拟量遥测时序数据中的角度序列、转速序列、电流序列进行分析，并从UCR公开数据集中筛选出与3种序列类似的3个数据集进行分类实验验证。与应用了SAX和2个改进的SAX、经典的欧氏距离（ED）、动态时间规整（DTW）的1-NN分类方法进行对比，结果表明:提出的BOTS分类方法的分类错误率明显低于其他5种分类方法。      

共面变相位星座多目标交汇序列优化方法

针对空间多目标交汇时空约束繁杂、轨道能量影响变量多的特点,从空间几何解析法入手,提出基于穿越点的共面变相位交汇方法,在Lambert椭圆轨道机动的基础上,给出了机动装置共面变轨相位快速确定方法,总结了变轨速度需求以及运载段分离条件已知情况下相位角和转移时间的包络区,并基于覆盖效能对目标发射序列进行了优化,仿真验证了相关结论,得到的结果符合预期。     

时间序列法在临近空间大气风场预报中的应用

受多种因素影响，临近空间大气环境要素复杂多变，预报难度很大.本文采用时间序列法中的自回归滑动平均（ARMA）模型对临近空间大气风场开展统计预报方法研究，基于廊坊（39.4°N，116.7°W）中频雷达在88km高度的大气纬向风数据开展预报试验.本次预报试验的样本数据为2015年9月24日至10月24日风场数据，利用过去7天数据对未来第8天风场数据进行预报.试验结果显示，ARMA模型对临近空间大气风场预报有一定的适用性.当风场变化规律性较强，即样本数据风场呈现出比较显著的24h周期性变化时，ARMA模型预报效果较好；当风场发生突变时，预报效果变差.与实测数据的对比结果表明，ARMA模型预报结果的误差在9~27m·s-1，预报效果优于同阶自回归（AR）模型，略优于高阶AR模型.