基于多层级精细特征融合的步态识别算法

随着深度学习的引入,步态识别算法取得了很大的突破,但是仍存在忽略了浅层网络提取的细节信息,以及对不限时长的步态视频时空信息难以融合的问题。为了有效利用浅层特征和融合时空特征,提出一种基于多层级精细特征融合的跨视角步态识别算法。所提算法由两个部分组成:边缘运动捕捉模块(EMCM)用于提取包含时间信息的边缘运动特征;多层级特征提取模块(MFEM)用于提取包含不同粒度全局和局部信息的多层级精细特征。首先,使用EMCM和MFEM分别提取多层级精细特征和边缘运动特征;然后,将两个模块提取的特征融合得到具有鉴别性的步态特征;最后,在公开数据集CASIA-B上和OU-MVLP上进行多种情况下的对比实验。在CASIA-B上平均识别准确率可达89.9%,与GaitPart相比,所提算法的平均识别准确率提升了1.1个百分点;在OU-MVLP上90°视角下比GaitSet识别准确率提升了3.0个百分点。所提算法能够有效地提升多种情况下的步态识别的准确率。

DS/BPSK信号载频估计方法的研究

针对受强高斯白噪声污损的DS/BPSK信号载频估计问题,在研究平方倍频法的基础上,借鉴相关积累思想,提出了两种改进方法,有效地降低了估计时所需要信号的信噪比容限或系统设备量。计算机仿真结果验证了改进方法的有效性。

Orbifold嵌入定理

证明了orbifold嵌入定理在高维的orbifold上成立,即对于一紧致复orbifoldM,若其上有一个正定的线丛,则存在正整数N使得M可以拓扑嵌入到CPN.

基于多尺度混合注意力LSTM雷达回波外推方法

针对基于雷达回波图的短临天气预测准确度不高的问题,提出了多尺度混合注意力长短时记忆网络模型。模型以长短时记忆网络为基础,设计引入辅助分支,提取增强图像的全局信息。设计了混合注意力特征提取模块,提取数据的细粒度和粗粒度的信息。实验结果表明:模型在HSS和CSI 2种指标上优于Conv-LSTM、Pred-RNN、RAP-Net等9种模型。在5、20、40 dBz情况下,比Pred-RNN模型的HSS指标分别提升了1.02%、2.46%、7.94%,比CSI指标分别提升了0.54%、2.29%、4.91%,改进明显。

求解Hilbert矩阵线性方程组的SOR迭代预处理方法

选择了求解Hilbert矩阵线性方程组的三种数值解方法,提出了SOR迭代中的松弛因子的预处理方法,比较了高斯-赛德尔迭代和SOR迭代数值解的迭代收敛次数,并给出了SOR迭代收敛最快时的松弛因子取值.最后通过SOR迭代解分量及误差范围,说明了提出的SOR迭代预处理方法是有效的.