摘要：站桩看似简单实则深奥。为解读站桩过程的内在规律,辅助学员站桩训练,结合实验和数据分析,基于人体姿态估计技术,提取站桩过程的动态特征参数,构建站桩姿态数字化表达与评估体系。首先,利用OpenPose人体姿态估计算法从站桩视频中提取人体关键点;其次,根据站桩要领确定数字化表达的关键特征参数;接着采用动态时间规整算法和判别分析法分别计算各特征参数的评估指标;最后,基于长期站桩数据,使用变异系数法赋予各评估指标不同的权重,探讨各特征参数的重要性并对站桩效能进行综合评估。具体实施包括:设计一个从正面和侧面采集站桩视频的实验,6名太极拳专家和22名学员参与这项研究,学员被分为实验组和对照组。通过对专家组站桩参数的分析发现,站桩实则是一个动态过程,实验数据从正面、侧面表达了不同部位的动态特征参数;同时跟踪实验组学员8个月的长期站桩数据,通过与专家数据的对比评估发现,躯干、大腿、膝关节和髋关节是站桩过程中更重要的身体部位。此外,经过数字化评估指导后,实验组学员的站桩质量得到明显提升,验证了数字化表达与评估体系对于辅助训练的有效性。

摘要：对于二分类问题,基于判别模型的分类器一般都是寻找一条最优判决边界,容易受到数据波动的影响。针对该问题提出一种基于生成模型的Q-learning二分类算法(BGQ-learning),将状态和动作分开编码,得到对应各类的判决函数,增加了决策空间的灵活性,同时在求解参数时,采用最小二乘时序差分(TD)算法和半梯度下降法的组合优化方法,加速了参数的收敛速度。设计实验对比了BGQ-learning算法与三种经典分类器以及一种新颖的分类器的分类性能,在UCI数据库七个数据集上的测试结果表明,该算法有着优良的稳定性以及良好的分类精确度。

摘要：位置细胞被认为是构成空间认知地图的基本单元,对于动物空间认知具有十分重要的作用.为了解析鸟类的空间认知神经机制,本文以鸽子(Columba)为模式动物,设计了4种目标明确程度不同的空间认知任务,利用12只鸽子海马区记录的位置细胞,从定性、定量和稳定性3个方面对比了有目标和无目标环境中位置细胞的空间响应特性.结果表明,有目标环境比无目标环境更易诱发出位置野,且位置野的稳定性随环境中目标明确程度的提高而增加.此外,鸽子海马区位置细胞一般具有多个位置野,平均每个位置细胞有2.7个位置野,同时记录的位置细胞位置野基本处于相近的位置上,大部分都有重叠.本文的研究成果将有助于深化对不同物种动物空间认知机制的理解,也将为进一步解析鸽子的三维空间认知和导航机制奠定基础.

摘要：特征选择是处理高维大数据常用的降维手段,但其中牵涉到的多个彼此冲突的特征子集评价目标难以平衡。为综合考虑特征选择中多种子集评价方式间的折中,优化子集性能,提出一种基于子集评价多目标优化的特征选择框架,并重点对多目标粒子群优化(MOPSO)在特征子集评价中的应用进行了研究。该框架分别根据子集的稀疏度、分类能力和信息损失度设计多目标优化函数,继而基于多目标优化算法进行特征权值向量寻优,并通过权值向量Pareto解集膝点选取确定最优向量,最终实现基于权值向量排序的特征选择。设计实验对比了基于多目标粒子群优化算法的特征选择(FS_MOPSO)与四种经典方法的性能,多个数据集上的结果表明,FS_MOPSO在低维空间表现出更高的分类精度,并保证了更少的信息损失。