明星分析师关注、企业投资行为与公司价值

企业投资行为对于中国经济高质量发展与“双循环”国家战略实施发挥重要作用。通过手工搜集2016—2021年明星分析师研究报告数据,研究明星分析师对公司投资行为的影响。研究发现,明星分析师通过缓解融资约束、增强股票流动性、解读研发行为,促进企业投资行为,而且明星分析师在管理层持股比例较低、大股东持股比例低、成长性水平较低、公司透明度较低的样本中,结果更加显著,体现其较好的专业胜任能力。进一步分析发现,明星分析师能够解读不同盈利分组的投资行为,不存在明显的选择性偏好;与没有明星分析师跟踪的样本相比,明星分析师跟踪对投资行为具有更强的影响;明星分析师通过正向解读投资行为途径,对公司价值挖掘,发挥积极作用。研究结论对发挥明星分析师信息中介作用,优化投资结构与提升投资绩效,提供经验参考。

ASE-ERNIE:一种基于ERNIE的中文指令动作序列生成方法

中文结构灵活多样,同样的语义有多种表达方式,在中文指令过长或存在多组动作的情况下,家庭服务机器人很难正确理解并做出响应。此外,家庭环境的中文指令解析研究在数据方面仍然稀缺。现有的方法不能准确提取出指令中包含的全部动作序列。由此提出一种基于ERNIE方法的动作序列提取(ASE-ERNIE)模型来提取中文指令中的可执行动作序列,该模型通过动作类型和参数之间的关系提取指令信息,将动作序列的提取工作转化为序列标注任务。在指令中存在多组动作并且存在多个参数的情况下,依然能够提取出全部动作序列。通过实验验证了所提方法的有效性,动作序列提取任务的F 1值达到了80.37%。

动作时序优化振动信号混沌吸引子特征的断路器操动状态辨识方法

高压断路器分合闸操作过程包括掣子脱扣、弹簧释能、动静触头碰撞等动作,机械振动信号作为能量传递的表现,蕴含着丰富的运行状态信息。该文基于断路器关键动作节点的时序,提出一种动作时序优化振动信号混沌吸引子特征的断路器操动状态辨识方法。首先,由高速相机捕捉断路器操动过程主轴拐臂运动图像,利用目标跟踪算法获取动触头关键运动节点时序指标;然后,依据时序指标划分操动过程,通过对不同阶段的振动信号相空间重构,提取相空间吸引子几何和属性特征;最后,利用智能分类算法进行故障辨识,实验结果验证该方法在大幅节省时间开销的同时,有效提高了分类辨识的准确率达96.9%。该文方法在断路器状态监测和带电测试中具有广阔应用前景。

PBL教学法在《人体动作发展学》教学中的应用效果评价

目的:《人体动作发展学》课程的教学方式、方法及效果值得人们去研究,所以本文探讨基于问题学习法(PBL)在本科阶段人体动作发展学教学中的教学效果及评价,为提高《人类动作发展学》课程在我国体育院系的开设范围并有效的开展课程教学提供理论参考与指导。方法:由一名科研人员运用随机数字表法,将哈尔滨体育学院运动人体科学专业和运动康复专业2020级和2021级学生随机分为传统教学组(LBL组,20人)和PBL教学组(PBL组,23人),每组一个班,分组的科研人员不参加教学,教学的科研人员不参加分组,LBL组由一名科研人员进行教学,PBL组由另一名科研人员进行教学;LBL组采用传统教学的方法,对《人体动作发展学》课程教学进行实验教学,每次课90分钟,每周一次课;PBL组采用PBL教学法,对《人体动作发展学》课程教学进行实验教学,每次课90分钟,每周一次课,进行为期一学期的教学实验。教学期间采用盲法,即不允许LBL组与PBL组两组学生在课下沟通与交流《人体动作发展学》课堂上的教学方式、方法及内容。学期末由其他的两名科研人员进行后续的调查等研究,即一名科研人员采用问卷调查的方式进行调查研究,第二名科研人员采用考试的方式进行研究,最后将问卷调查与考试成绩综合起来对教学效果进行评价。结果与结论:PBL教学法适用于我国体育院系本科专业的人体动作发展学的教学,PBL教学法可以很好的提高学生的探索创新、语言沟通表达能力、检索文献、提出问题,分析并解决问题的能力,也能很好的提高学生的学术思维能力。

基于Transformer的三维人体姿态估计及其动作达成度评估

针对人机交互、医疗康复等领域存在的人体姿态分析与评估问题,本文提出了一种基于Transformer的三维人体姿态估计及其动作达成度评估方法。首先,本文定义了人体姿态的关键点及关节角,并在深度位姿估计网络(DPEN)的基础上,提出并构建了一个基于Transformer的三维人体姿态估计模型(TPEM),Transformer的引入能够更好的提取人体姿态的长时序特征;其次,利用TPEM模型对三维人体姿态估计结果,设计了基于加权3D关节角的动态时间规整算法,在时序上对不同人物同一动作的姿态进行姿态关键帧的规整匹配,并据此提出了动作达成度评估方法,用于给出动作的达成度分数;最后,通过在不同数据集上进行实验验证,TPEM在Human3.6 M数据集上实现了平均关节点误差为37.3 mm,而基于加权3D关节角的动态时间规整算法在Fit3D数据集上的平均误差帧数为5.08,展现了本文所提方法在三维人体姿态估计与动作达成度评估方面的可行性和有效性。

数控转台蜗轮转动元动作的热变形有限元分析

为研究数控转台传动系统元动作的热误差建模方法,首先介绍了元动作理论以及有限元数值模拟的温度场模型假设及边界条件,并分析了温度场仿真所需的摩擦机理及参数计算方法.采用ANSYS仿真分析从稳态和瞬态两个方面对转动元动作进行数值模拟,并给出其中关键元动作的温升曲线,分析了元动作瞬态、稳态及热-结构耦合温度场和变形场,得到元动作温度分布云图、温升量及热变形量.通过热变形理论计算和热变形有限元分析,得到考虑动作件热变形的传动系统元动作热误差模型.

融合片段对比学习的弱监督动作定位方法

针对现有基于注意力机制的弱监督动作定位方法对动作边界处的片段容易错误分类的问题,提出一种融合片段对比学习的弱监督动作定位方法。首先,引入三个分支的注意力机制,分别测量每个视频帧是动作实例、上下文以及背景的可能性;其次,基于得到的注意力值构建对应分支的类激活序列;然后,通过片段挖掘算法构造正负样本对;最后,利用片段对比学习引导网络将模糊片段正确归类。实验结果表明,当交并比(IoU)取值0.5时,在THUMOS14与ActivityNet1.3两个公共数据集上,所提方法的平均检测精度(mAP)分别达到了33.9%和40.1%,相较于DGCNN(Dynamic Graph modeling for weakly-supervised temporal action localization Convolutional Neural Network)弱监督动作定位模型在上述两个数据集上分别提升1.1和2.9个百分点,验证了所提方法的有效性。

面向任务的机器人动作泛化研究

动作泛化是机器人被期望具备的功能,要求机器人不仅能重复人类示教的灵巧动作,还可以根据任务目标生成新动作,在小批量、多种类的生产要求下具有广阔的应用场景.针对面向任务需求快速学习和灵活泛化的目标,设计开发了机器人动作泛化框架.首先,进行少量示教,使用概率运动基元(probabilistic movement primitives,ProMP)构建动作的轨迹分布,以较少参数概括示教信息.其次,使用期望最大(expected maximum,EM)算法迭代估计模型参数,引入先验信息补充模型以保证稳定性.研究先验信息对泛化效果的影响,确定了合适的先验参数;研究傅里叶基函数对周期轨迹的拟合效果,提出轨迹分割与滤波方法以保证拟合精确平滑.利用模型的概率分布性质,将动作的概率范围收缩到特定位置,并进行整条轨迹的时间尺度缩放与空间位置变换,生成符合泛化要求的轨迹.最后,搭建了一个六自由度机器人喷涂场景进行动作泛化实验.结果表明:该框架能够快速生成多种泛化轨迹.单自由度轨迹学习平均消耗1.924 s,轨迹生成平均需0.004 s;六自由度轨迹学习平均消耗35.608 s,轨迹生成平均需0.011s.

基于时空交叉感知的实时动作检测方法

时空动作检测依赖于视频空间信息与时间信息的学习.目前,最先进的基于卷积神经网络(Convolutionsl Neural Networks,CNN)的动作检测器采用2D CNN或3D CNN架构,取得了显著的效果.然而,由于网络结构的复杂性与时空信息感知的原因,这些方法通常采用非实时、离线的方式.时空动作检测主要的挑战在于设计高效的检测网络架构,并能有效地感知融合时空特征.考虑到上述问题,本文提出了一种基于时空交叉感知的实时动作检测方法.该方法首先通过对输入视频进行乱序重排来增强时序信息,针对仅使用2D或3D骨干网络无法有效对时空特征进行建模,提出了基于时空交叉感知的多分支特征提取网络.针对单一尺度时空特征描述性不足,提出一个多尺度注意力网络来学习长期的时间依赖和空间上下文信息.针对时序和空间两种不同来源特征的融合,提出了一种新的运动显著性增强融合策略,对时空信息进行编码交叉映射,引导时序特征和空间特征之间的融合,突出更具辨别力的时空特征表示.最后,基于帧级检测器结果在线计算动作关联性链接.本文提出的方法在两个时空动作数据集UCF101-24和JHMDB-21上分别达到了84.71%和78.4%的准确率,优于现有最先进的方法,并达到73帧/秒的速度.此外,针对JHMDB-21数据集存在高类间相似性与难样本数据易于混淆等问题,本文提出了基于动作表示的关键帧光流动作检测方法,避免了冗余光流的产生,进一步提升了动作检测准确率.

基于动作条件交互的高效行人过街意图预测

城市化的进程不断加速,人车冲突问题已成为现代社会亟待解决的重大难题。复杂交通场景下,行人横穿马路行为导致交通事故频发,准确、实时地预测行人过街意图对避免人车冲突、提高驾驶安全系数和保障行人安全至关重要。本文提出基于动作条件交互的高效行人过街意图预测框架(efficient action-conditioned interaction pedestrian crossing intention anticipation framework,EAIPF)来预测行人过街意图。EAIPF引入行人动作编码模块增强多模态动作模式下的表征能力,挖掘深层骨架上下文信息。同时,引入场景对象交互模块挖掘与对象交互信息,理解交通场景中高级语义线索。最后,意图预测模块融合行人动作特征和对象交互特征,实现行人过街意图的鲁棒预测。所提出的方法在两个公共数据集JAAD和PIE上验证算法性能,准确率分别达到了89%和90%,表明本文方法可以在复杂交通场景下准确预测行人穿越意图。

利用无标记动作捕捉技术对立定跳远测量的研究

目的:旨在探究无标记动作捕捉技术在立定跳远距离测量中的应用。方法:采用RGB-D深度相机进行动作捕捉,运用关键帧提取、图像分割和边缘检测等图像处理技术,结合机器学习算法,实现无标记精准测量立定跳远距离,并通过信效度分析检证其精准性和可靠性。结果:通过51个标准距离重复测量,重测信度检验得到克隆巴赫系数α=0.999和组内相关系数ICC=0.998,重测精准性达到99.64%;通过306次立定跳远试跳实测,标准效度检验的Pearson相关系数r=0.999,稳定可靠性达到99.69%。结论:本研究成功开发并验证了一种基于无标记动作捕捉技术的立定跳远距离测量方法,极高的精准性和可靠性展示了该方法的创新性和实用价值。

基于改进支持向量回归的空战飞行动作识别

针对空战中飞机的飞行动作愈发复杂导致识别准确率低的问题,提出了改进支持向量回归的空战飞行动作识别方法,该方法采用高斯核函数作为线性核函数,利用混沌初始化和反向学习策略改进麻雀搜索算法,利用改进后的麻雀算法优化支持向量回归算法,具体表现为对支持向量回归算法中高斯核函数的参数进行优化,通过优化后的支持向量回归算法进行飞机动作识别。采用了五种基本的飞行动作和几种复杂的飞行动作验证该方法的识别准确率。仿真表明,优化后的支持向量回归算法与传统的支持向量回归算法、模糊支持向量机算法、传统聚类算法、神经网络算法相比,对基本飞行动作的平均识别率至少提升了2.2%,对复杂飞行动作的平均识别率至少提升了3.7%。

媒介发展与明星变迁研究——基于比较历史分析法的分析

随着“饭圈”、明星失德等问题引发广泛关注,明星及围绕着明星产生的一系列社会现象成为大众焦点。虽然“明星”古已有之,但明星集体性、大规模频频“塌房”在过去较为少见。本文通过比较历史分析的方法,梳理了新中国成立以来不同时期明星的身份和形象特征,探寻明星形成背后的因果机制。研究发现:明星是媒介技术的产物,更是媒介制度的产物。媒介的技术特征和传播方式塑造了明星的形象,而媒介体制和制度决定了谁在制造明星。

爬行真的可有可无吗?——婴幼儿动作发展的国际论证与经验启示

动作发展是指个体在成长过程中逐渐掌握并发展出的各种动作技能。爬行在婴幼儿动作发展中扮演着重要角色,对认知神经系统、肌肉骨骼系统、动作能力和社交能力等方面的成长发育有着积极意义。然而,我国学术界对于动作发展,尤其是爬行的重视程度相对较低,且公众对于爬行在个体成长中的重要性认知不足。以爬行这一婴幼儿时期关键的动作发展里程碑为例,运用文献资料法和逻辑分析法,系统梳理了国际上关于婴儿爬行的相关研究,包括其发展变化、多元作用、影响因素和干预措施等方面的理论研究与实践探索。对实现我国“幼有优育”的婴幼儿健康成长的研究启示主要有:开展大样本的婴儿爬行队列研究;采用婴儿爬行经历作为临床筛查的参考指标;改善婴儿家庭养育的爬行支持环境;完善特殊婴儿的爬行活动干预。

不同运动水平和性别游泳运动员功能动作筛查得分比较

目的:采用功能动作筛查(FMS)评分方法对比分析不同竞技水平和性别游泳运动员的功能动作质量和均衡性。方法:以161名游泳运动员为研究对象,按竞技水平分为优秀组(n=60)和一般组(n=101),进行FMS测试并采集数据。结果:①两组运动员之间和组内男女运动员之间,FMS总分无显著性差异(P>0.05);②优秀组与一般组比较,分别在肩部灵活性、主动直腿抬高(P<0.05)和旋转稳定性(P<0.01)3项得分上存在显著性差异;③优秀组在线性弓步、主动直腿抬高(P<0.05)和躯干稳定俯卧撑(P<0.01)3项得分上存在明显的性别差异;④一般组在深蹲、线性弓步和主动直腿抬高3项得分上存在明显的性别差异(P<0.05);⑤在功能动作质量方面,优秀组与一般组相比,分别在深蹲、躯干稳定俯卧撑(P<0.05)和旋转稳定性(P<0.01)3项动作质量上存在显著性差异;⑥在功能动作均衡性方面,优秀组两侧不均衡性主要表现在线性弓步和跨栏步,分别占31.67%和30%;而一般组两侧不均衡性最明显的是肩部灵活性,占比31.68%。结论:FMS总分未能反映游泳运动员的竞技水平和性别差异。优秀游泳运动员有较好的肩部灵活性和均衡性,其中男运动员核心稳定性和力量优于女运动员;一般游泳运动员有较好的核心稳定性和腘绳肌柔韧性,其中男运动员深蹲能力优于女运动员。与男运动员相比,两组女运动员均表现出较好的腘绳肌柔韧性。

时空多尺度关联特征融合的二维卷积网络细粒度动作识别模型

针对传统二维(2D)卷积网络提取时空特征尺度单一以及对细粒度动作数据集中帧与帧之间的远程时间关联信息利用不足的问题,本文提出时空多尺度关联特征融合的2D卷积网络细粒度动作识别模型。首先,为建模视频多尺度空间关联以加强对细粒度视频数据的空间表征能力,模型使用多尺度“特征压缩、特征激发”方式,使网络所提取空间特征更加丰富有效。然后,为充分利用细粒度视频数据时间维度上的运动信息,本文引入时间窗口自注意力机制,利用自注意力机制强大的远程依赖建模能力同时只在时间维度上进行自注意力操作,以较低计算成本建模远程时间依赖关系。最后,考虑到所提取时空特征对不同类型动作分类的贡献不均等,本文引入自适应特征融合模块,为特征动态赋予不同权重实现自适应特征融合。模型在2个细粒度动作识别数据集Diving48和Something-somethingV1上识别准确率分别达到86.0%和46.9%,分别使原始主干网络识别准确率提升3.8%和1.3%。实验结果表明,在只使用视频帧信息作为输入的情况下,本模型达到与现有基于Transformer和三维卷积神经网络(3D CNN)算法相当的识别准确率。

面向铁路行车调度员疲劳识别的动作检测

行车指挥调度是铁路运输的核心监控岗位,检测调度员的疲劳动作对保障铁路运营安全具有重要意义。为了能识别铁路行车调度员疲劳动作,降低安全生产风险,提出一种基于双向长短时记忆神经网络和支持向量机的自适应增强算法对调度员疲劳状态下的动作进行识别。首先,通过高分辨率网络(High-Resolution Net, HRNet)人体关键点检测模型,提取多个人体关键点及人体动作行为角度特征与长度比例特征。其次,搭建基于双向长短时记忆神经网络和支持向量机(Bi-directional Long Short-Term Memory-Support Vector Machine, BiLSTM-SVM)的动作识别模型,使用正交试验法对模型参数进行优化,并采用自适应增强算法(Adaboost, Adaptive Boosting)进一步提升疲劳动作识别。最后,基于调度仿真疲劳动作数据,对该模型的有效性进行验证。结果显示,该模型的精确率为0.97、准确率为0.96、召回率为0.96、F1分数为0.96。该模型提高了人体疲劳动作分类的准确率,为调度员疲劳检测提供了判断依据。

基于视频关键帧提取的快速T3D动作识别模型

视频级动作识别存在着数据量大、识别速度慢的问题,主要原因是需要提取空间维度上人体姿态,还需要考虑时间维度上动作关联。提出一种基于视频关键帧提取的快速T3D动作识别模型,通过改进的Superpoint网络提取视频关键帧,缩减数据量。以T3D网络为基础,时空分解其关键模块可变时序卷积层,显著提升了其计算效率。在公共数据集UCF-101和HMDB-51数据集进行了实验验证,准确率和原T3D网络近似,但其识别速度为原T3D网络的2倍,更适合于实际的应用场景。

选择性功能动作评估在颈、腰痛患者中的应用及对治疗效果的评价

目的通过选择性功能动作评估(SFMA)方法精准评估颈、腰痛患者造成疼痛的主要功能障碍情况,为进一步个性化精准康复治疗提供指导和建议,并评价治疗效果。方法选择2022年6月至12月就诊于西安交通大学第一附属医院康复医学科门诊的30例颈、腰痛患者为研究对象,均进行SFMA精准评估,并实施相同频次和治疗周期的针对性治疗,评价患者的治疗效果;比较患者治疗前、后的视觉模拟评分法(VAS)评分及主动呼吸模式。结果治疗后,显效11例(36.67%),有效18例(60.00%),无效1例(3.33%),治疗总有效率为96.67%(29/30)。治疗前的VAS评分为(4.47±1.04)分,治疗2周后的VAS评分为(2.03±1.29)分。治疗前、后的VAS评分比较,差异具有统计学意义(t=9.371,P<0.001);随访1个月后的VAS评分为(1.50±1.30)分,与治疗2周后的VAS评分比较,差异无统计学意义(t=1.585,P=0.118)。治疗前,15例为胸腹联动呼吸模式,15例为胸式呼吸模式;治疗后,30例为胸腹联动呼吸模式,0例为胸式呼吸模式。治疗前、后的呼吸模式比较,差异具有统计学意义(χ^(2)=17.422,P<0.001)。结论应用SFMA对颈、腰痛患者的治疗有指导意义,可有效减轻颈、腰痛,且治疗效果维持时间长,值得临床应用与推广。

视频动作骨骼描述空间时空联合对齐小样本分类算法

与大数据人体动作识别相比,小样本动作识别旨在从很少标记样本中学习判别特征来识别新颖动作类别,但基于视频RGB特征描述方法中动作信息容易被与任务无关的背景、亮度和颜色变化所混淆。针对动作样本标注困难,RGB视频数据环境适应性差、数据维度高问题,考虑将信息表示高效、可解释性强的骨骼描述数据与小样本学习结合提出视频动作骨骼描述空间时空联合对齐小样本分类算法。模型整体基于原型网络思想,将原始输入映射到嵌入空间中计算原型表示,并使用度量方式实现查询样本预测。特征提取时,设计时空联合注意图卷积网络作为特征编码骨干,首先对输入骨骼序列构造时空图,接着进行多层次时空图卷积及时空联合注意激活,得到对应高层次嵌入特征,其中时空联合注意模块在时空两个维度上对不同动作阶段的骨骼和关节重要度进行加权,以增强模型提取判别特征的能力;距离度量时,通过图匹配方式得到查询骨架图与支持骨架图之间的欧式距离,然后基于动态时间规整算法动态规划两个动作序列间最优匹配,计算得到骨架图对距离累积,从而增强时空特征对齐,最后通过查找最近距离以进行度量和分类。在NTU-T、NTU-S和Kinetics三个骨骼基准上的实验表明,提出算法能够充分利用人体骨骼信息,提高小样本动作识别匹配精度。