摘要：手部自遮挡和深度信息缺失使得由单目RGB图像进行三维手部姿态估计存在关节相对深度估计不够准确、生成的姿态违背手部生物力学约束等问题。为解决此问题,文中结合手部结构中蕴含的先验知识以及手部网格信息,提出一种基于先验知识和网格监督的深度神经网络。手部骨架的铰链式结构意味着关节三维位置在二维图像平面和深度方向的投影之间存在着特定关系,但个体之间的手部结构差异导致难以对其进行直观的形式化描述,为此文中提出通过学习来对其进行拟合。同一手指的关节位置和骨骼长度、同一手指的不同分段以及不同手指的弯曲方向之间也存在特定关系,文中将其设计为损失函数,用于监督网络训练。所提出的神经网络在估计手部姿态的同时并行生成手部网格,通过网格标注监督网络训练,优化姿态估计,且不增加网络复杂度。使用混合数据集对神经网络进行了训练,以进一步提高其泛化能力。实验结果表明,所提方法在多个数据集的内部交叉验证精度、跨数据集验证精度、模型的时间和空间复杂度等方面都优于其他方法,手部结构先验知识和网格监督在提升姿态估计精度的同时保持了神经网络结构的紧凑性。

摘要：为解决监控视频中被遮挡行人的修复问题,提出了一种基于人体姿态的行人视频修复方法,即先修复视频中残缺的行人姿态序列,然后在修补后的姿势序列的引导下修复视频帧中人体的缺失部分.该方法采用OpenPose从视频中提取被遮挡的人体姿态序列,针对其因存在遮挡情况导致未识别出和未准确识别部分关节点的问题,提出了一种伪时空图卷积网络模型对缺失姿态进行修复,得到一个相对准确的姿态序列;基于修复后的姿态,提出了基于姿态序列引导的Transformer行人视频修复模型.在Human3.6M数据集上进行了测试,所提出的方法在4个指标PSNR,RMSE,SSIM,LPIPS上均比对比方法有提升,特别是RMSE指标提升了9.50%,LPIPS指标提升了21.67%.

摘要：针对复杂水下环境焊接过程对焊接电源超高动特性与精确控制需求,设计基于SiC模块的快频脉冲焊接电源功率主电路,开发全数字化控制系统,研制出局部干法水下快频脉冲MIG焊电源(local dry underwater fastfrequency pulsed MIG,LDU-FFPMIG).研制的LDU-FFPMIG焊接电源额定输出电流为400 A,能精确输出多种0~30 kHz的快频脉冲电流波形,快频脉冲电流幅值高达200 A.提出LDU-FFPMIG焊接新工艺,将快频脉冲应用到304不锈钢局部干法水下MIG焊接,探究快频脉冲对传统局部干法水下脉冲MIG焊的影响.结果表明,研制的LDU-FFPMIG焊接电源能够实现稳定的局部干法水下MIG焊,可获得良好的焊缝成形;快频脉冲电流的引入可显著提高电弧能量密度和焊接稳定性,减小熔宽(B)、增大熔深(H),焊缝成形系数(B/H)减小约30%,并且可以细化晶粒.

摘要：为了将视觉信息融入到机器人导航过程中,提高机器人对各类障碍物的识别率,减少危险事件的发生,设计了基于二维CNN及LSTM的局部路径规划网络。提出了基于深度学习的局部路径规划方案。利用机器人视觉信息及全局路径信息推理产生机器人在当前时刻完成避障导航任务所需转向角度;搭建了用于对规划器核心神经网络进行训练和验证的室内场景;提出了以路径总长度、平均曲率变化率及机器人与障碍物之间的距离为性能指标的路径评估方案。实验表明:该方案在仿真环境及真实场景中均体现了较优秀的局部路径生成能力。

摘要：针对海上通讯带宽受限情况下无人船的航迹跟踪控制问题,设计了一种带有状态量化和输入量化的自适应反馈跟踪控制方案。在保证有效跟踪的同时,减少执行器执行频次,降低控制幅度。首先,在不考虑量化情况下基于自适应反步法设计了系统跟踪控制律,并结合动态面技术有效降低了虚拟控制律的计算量膨胀问题。对于控制系统中存在的不确定项,利用模糊逻辑系统进行逼近。其次,采用均匀量化器分别对控制系统中的状态变量和输入变量进行量化,且量化后的状态反馈信息被用于无人船航迹跟踪控制器的设计。根据所得到的量化信息,给出了同时考虑状态量化和输入量化的无人船航迹跟踪控制律。在稳定性分析中,通过Lyapunov稳定性理论证明了在不考虑量化的情况下闭环控制系统的稳定性,并根据递归的方法证明了闭环控制系统中量化变量和非量化变量之间误差的有界性。基于给定的引理,最终证明了在同时考虑状态量化和输入量化的情况下,所设计的带有状态量化和输入量化的模糊自适应反馈跟踪控制系统的稳定性。最后,通过两组仿真实验验证了所提方案的实用性。即在同时考虑状态量化和输入量化的情况下,无人船仍能保持对理想轨迹良好的跟踪性能,并有效减轻了执行器的执行频次,更符合航海工程实践。

摘要：鉴于低精度浮点运算拥有更快的运算速度,越来越多的高性能应用采用混合精度方案进行加速,而同样采用该方案来加速的AI(人工智能)大模型也受到广泛关注。最近,HPL-AI(High Performance LINPACK for Accelerator Introspection)基准测试被提出,用于评估高性能系统的混合精度运算性能。针对该基准测试,本研究在鲲鹏和昇腾异构平台上设计并优化了单节点HPL-AI基准测试的实现。其主要通过循环任务分配的策略将任务均匀地分配给AI处理器以平衡AI处理器的负载;通过带间隔值的任务分配策略提高数据传输的连续性来减少CPU和AI处理器之间的数据传输时间;在不影响计算精度的情况下,通过取消数据缩放的策略来减少CPU侧的计算量。最终实验结果表明:当间隔值为8时,HPL-AI基准测试的混合精度浮点运算速度最快;同时,取消数据缩放不会对HPL-AI基准测试的结果精度产生影响;在鲲鹏和昇腾异构平台上,与非优化的HPL-AI基准测试方法相比,本研究提出的优化策略使混合精度浮点运算速度提升了29%左右,为单节点HPL-AI基准测试的进一步优化和部署多节点HPL-AI基准测试奠定了坚实的基础。

摘要：为解决跨项目软件缺陷预测研究中存在的特征不完备和分类边界模糊问题,提出一种基于联合特征的双编码器分布匹配方法(DeDM-JF)。利用卷积神经网络提取代码中与缺陷有关的结构语义特征,将其与人为选取的Handcrafted特征结合,形成联合特征;在此基础上,构建包含分布差异匹配层的双自编码器,学习跨项目全局和局部可迁移特征用于训练缺陷预测模型。面向软件缺陷数据仓库中的798对跨项目缺陷预测任务开展实验,与相关的跨项目缺陷预测方法比较,DeDM-JF方法预测的F-measure和MCC指标有明显提升。

摘要：物联网应用技术快速发展,智能安防产品受到越来越多人的关注,尤其是智能家居安防产品。为了最大程度确保人身以及财产安全,满足人民群众对自身安全和家庭安防的要求,以STM32为主控芯片,结合各类智能传感器、控制器、报警器及智能手机小程序,设计并实现一套基于STM32的家居安防报警系统,该系统能实时、远程监测家居室内外环境状况,及时、有效防止家居安全事故发生,对保护家庭成员生命、财产安全具有重要的现实意义。

摘要：异常检测是模式识别领域的经典研究,然而在极端类别不平衡场景下,异常样本匮乏,训练数据仅包含正常样本,传统异常检测方法难以适用。因此,单分类算法逐渐受到关注,它只使用目标类样本构建决策边界,实现对非目标类样本的识别。目前单分类算法已经取得了显著进展,然而也存在一些局限性:(1)原始特征空间容易受噪声特征干扰;(2)单模型的单分类算法难以从多个特征空间学习更全面的决策边界;(3)缺少对先前模型的欠拟合样本进行针对性学习。为了解决这些问题,本文提出了基于宽度自编码网络的单分类集成算法(Ensemble One-class Classification Based on BLS-Autoencoder,EOC-BLSAE)。首先,本文设计了一种单分类宽度自编码网络模型(One-class BLS-Autoencoder,OC-BLSAE),它能高效学习原始特征空间到重构特征空间的非线性映射关系,利用重构误差构建决策边界;接着,本文设计了单分类Boosting策略,通过最小化全局重构损失,迭代学习欠拟合样本,从而多角度构建OC-BLSAE模型,并自适应评估模型的可靠性;最终,加权集成多个OC-BLSAE模型,有效提升整体算法准确性和鲁棒性。在实验中,本文在16个不同规模的单分类任务上进行参数实验、对比实验和消融实验,结果表明所提算法参数选择较为灵活,算法各模块能够相互协同,有效提升单分类任务的准确性和鲁棒性,整体性能超过前沿单分类方法。

摘要：针对种类繁多的食用调料品逐渐走进普通家庭,为了有效支持厨房精细化管理和标准化调制饮食,方便厨师及家庭掌厨人群使用食品调料,设计制作一款适合厨房使用的智能调料盒,系统采用STM32嵌入式控制核心,结合数据采集和称重装置,运用检测与转换技术、嵌入式技术、信息处理技术综合一体,解决日常厨房调料品取用方便及精确取料用量问题,分析及记录食用调料用量数据,为群众饮食健康服务。实践证明,智能调料盒能方便实现取料和用量精准,是现实生活中必不可少的厨房工具,是普通家庭、餐饮行业、健康食疗等地方厨房用品的小帮手,有助于保持整洁干净厨房环境,在食用调料领域具有十分广泛的应用前景。