Yolov7-pose识别运动员姿态时关键点异常的消除方法

本研究首先构建了深度聚合网络（deep layer aggregation,DLA）,用于替换Yolov7-pose算法中原有的特征融合网络,增强了特征的表达;其次,将高效聚合网络（efficient layer aggregation Net, ELAN）和尺度感知注意力网络（scale-aware attention Net, SAAN）融合在一起,引入到Yolov7-pose算法中;然后,引入尺度因子到Yolov7-pose算法的损失函数中,并通过实验确定尺度因子最佳值。实验结果表明,经过本法改进的方法识别篮球比赛视频流中的多名运动员姿态时,不再出现关键点异常现象,姿态识别的精度达到95%以上,运行效率达到24 FPS以上,综合性能显著优于原始Yolov7-pose算法等算法。     

基于LVQ神经网络的水果图像分割研究

由于传统边沿检测算子在水果颜色多样、亮度不均匀时,难以分割得到完整、无噪声的二值图像且依赖优化的阈值,本研究提出了一种基于LVQ神经网络的水果图像分割方案。首先将彩色图像转变为灰度图像;然后对Canny算子获得的边沿图像随机选取一些像素作为网络的学习监督信号,仅以灰度图像中相同位置像素3×3邻域的Kirsch算子梯度值作为输入,训练权值;最后重新将原灰度图像的Kirsch算子梯度值输入到训练好的网络中,获得封闭的边沿并填充得到二值图像。考察了14幅像素为640×480的水果图像,结果表明：网络在很宽广的阈值范围内（0.001 ~ 0.99）分割得到完整、一致的二值图像;面积误差最小为0.9%,最大为8.83%,不依赖于优化的阈值,不需要对原始图像滤波预处理。与没有阈值及滤波的算法相比,本方案的误差和时间复杂度均更低;与设置了阈值和/或滤波的算法相比,本方案与之相当,甚至效果更优。     

我国新型研发机构政策注意力与政策工具探析——基于长三角与珠三角地区的政策量化研究

新型研发机构逐步上升为中国创新驱动发展的主力军。利用文本挖掘、共词语义网络分析等方法,全面剖析长三角和珠三角地区新型研发机构政策的注意力焦点和政策工具,为支持高水平新型研发机构建设与发展提供参考。研究发现：政策类型以“通知”和“意见”为主,体现了政府的弹性管理机制,但执行力度较弱;政策注意力与新型研发机构的使命、功能内涵密切相关,鼓励政产学研高度融合,突出企业主体地位,强调体制机制创新;政策工具运用存在结构性失衡,注重供给型政策工具,环境型和需求型政策工具使用不足。     

基于深度学习GRU网络的UWB室内定位优化

为减少信号传输质量和距离估计算法等因素对定位精度的影响,将深度学习应用于超宽带（ultra wide band,UWB）室内定位系统,利用门控循环单元（gated recurrent unit,GRU）网络代替传统UWB室内定位系统中的三边测量过程,以提高UWB室内定位精度。在得到定位标签到基站的距离信息后,将距离信息输入GRU网络中,输出最终位置坐标。GRU作为循环神经网络（recurrent neural network,RNN）的变种,既含有RNN处理时序数据的优势,又解决了RNN中的长程依赖问题。对GRU网络模型中不同学习率、优化器、批量大小、网络层数、隐藏神经元数量参数进行调整和训练。结果表明,基于GRU网络模型的UWB室内定位系统显著提高了定位精度,平均定位误差为6.8 cm。     

基于抗炎和促红细胞生成作用的九味补血口服液改善血虚证小鼠造血功能的机制研究

为探讨九味补血口服液改善血虚证小鼠造血功能的作用及机制,采用超高效液相色谱串联四级杆飞行时间质谱(UPLC-Q-TOF-MS/MS)技术鉴定九味补血口服液中的化学成分;利用蛋白互作和网络分析手段筛选九味补血口服液治疗贫血的关键网络靶点,并对关键网络靶点进行基因本体(GO)分析、京都基因与基因组百科全书(KEGG)通路富集分析;同时采用分子对接技术将潜在活性成分与关键网络靶点对接,评估活性分子与靶点的结合能力。在动物实验中,采用环磷酰胺建立小鼠血虚模型,设立对照组和模型组,复方阿胶浆口服液组(30 mL/kg)及九味补血口服液高、中、低剂量组(10.0、5.0、2.5 mL/kg),每天灌胃给药1次,连续32 d。检测全血中红细胞(RBC)、血红蛋白(HGB)和红细胞压积(HCT)水平,并利用qRT-PCR法和免疫印迹法对关键靶点及通路在血虚证小鼠肾脏的表达进行验证。结果显示,在91种鉴定的九味补血口服液化学成分中,满足口服生物利用度(OB)≥30%和药物相似性(DL)≥0.18的条件,且具有相应靶点的潜在活性成分共计15个。分析九味补血口服液成分-血虚疾病靶点网络,获得九味补血口服液治疗贫血的关键靶点15个,主要富集于核因子-κB (NF-κB)信号通路(NF-κB signaling pathway)、代谢通路(Metabolic pathway)、缺氧诱导因子-1(HIF-1)信号通路(HIF-1 signaling pathway)、Toll样受体信号(Toll-like receptor signaling pathway)通路等。分子对接结果显示,甘草苷、橙皮素与Toll样受体4(TLR4)具有强烈的结合能力。动物实验结果显示,与对照组相比,血虚证小鼠RBC、HGB和HCT水平明显降低,TLR4/NF-κB p65介导的炎性信号增强,缺氧诱导因子-1α (HIF-1α)/促红细胞生成素(Erythropoietin,EPO)介导的促红细胞生成信号受抑制(P<0.05或P<0.01)。与模型组相比,九味补血口服液各剂量组可显著升高血虚证小鼠RBC、HGB和HCT水平,不同程度地逆转TLR4、NF-κB p65变化,并上调HIF-1α、EPO mRNA或蛋白的表达水平(P<0.05或P<0.01)。因此,九味补血口服液可以改善血虚证小鼠的贫血状态,其机制可能与促进肾脏中HIF-1α/EPO介导的促红细胞生成作用、减少TLR4/NF-κB p65介导的肾脏炎症反应相关。     

基于位置服务数据的社区生活圈测度方法及影响因素分析

生活圈的边界划定是社区生活圈研究的重点也是难点。现有的划定方法有基于行政边界或控规单元、依据设施服务半径及可达性、居民日常活动行为三种方式,其中基于居民日常活动是最接近社区生活圈本意的测度方法。但目前这一方法的应用主要依靠全球定位系统(GPS)数据,成本高且样本有限,难以描述社区大多数居民的活动规律,更缺乏对大范围不同类型社区生活圈的全貌认识。以成都市为例,基于大样本的手机位置服务数据(LBS),采用复杂网络分析技术(Infomap)对中心城区(549 km²)的社区生活圈进行测度,通过识别其规模和边界特征,进一步探讨空间要素对社区生活圈边界的影响及作用机制。结果表明:通过选取恰当的单元精度和距离约束d值,可以获得较好的网络聚类结果(接近15 min生活圈的实际规模);基于LBS数据划分的社区生活圈面积规模差异较大,但大多数的规模处于1～5 km²之间;三类代表性空间要素中,路网密度与社区生活圈面积规模存在中等程度相关,区位和商业兴趣点(POI)密度与社区生活圈规模并不存在显著的相关性;但社区生活圈的人口密度与三类空间要素存在强相关。基于手机...     

基于CNN的MIMO-OFDM可见光通信接收机研究

限制可见光通信（VLC）系统传输性能的主要因素是发光二极管（LED）的有限带宽以及它的非线性效应导致的信号失真。多输入多输出（MIMO）-正交频分复用（OFDM）技术虽然可以提升系统容量、频谱效率,但由于OFDM技术较高的峰均功率比(PAPR),使得VLC系统受到更多的非线性损伤。针对以上问题,本文提出一种基于卷积神经网络（CNN）的VLC接收机。该接收机通过对接收端失真信号和发射端原始信号的学习,能够实现MIMO-OFDM可见光系统的信号解调,有效提升系统对非线性失真的抑制能力并具有较低的复杂度。实验结果表明,与最小二乘法（LS）接收机相比,CNN接收机能有效补偿信号受到的线性和非线性失真以及不同用户间的信号串扰,平均误码率（BER）提升超过一个数量级,同时有效克服LED带宽受限问题,比特传输速率提升53%。     

一种面向自动驾驶路况的目标检测算法

为了对常见的行人和车辆进行检测,采用自行标注的数据集,通过基于faster region-based convolutional neural network （RCNN）框架的算法进行调参与优化. 主干网络采用轻量化网络MobileNetv2,在原生锚框的基础上,区域建议网络（RPN）部分增加2个面积尺度,检测部分使用感兴趣区域（ROI）Align结构,减少特征图映射和均分过程中的误差. 实验结果表明：使用faster RCNN目标检测网络,可以有效完成行人和车辆的检测任务,整体效果良好.     

采用通道注意力机制的RIS辅助MIMO级联信道估计

可重构智慧表面（RIS）辅助多天线毫米波无线通信系统的级联信道有直传和反射两条链路,系统维数大且复杂,获取信道状态信息（CSI）困难. 针对RIS辅助下的大规模多输入多输出（MIMO）通信系统应用场景,提出了基于通道注意力机制的SE-ResNetV2网络来获取CSI,在残差网络（ResNet）中引入了通道注意力模块,通过挤压和激励策略来提高噪声特征的捕捉能力. 仿真结果表明,相比于最小二乘（LS）估计算法和常规的注意力机制深度ResNet,所提出的深度学习网络具有更好的去噪效果和估计精度.     

混合动力汽车深度强化学习分层能量管理策略

为了提高混合动力汽车的燃油经济性和控制策略的稳定性,以第三代普锐斯混联式混合动力汽车作为研究对象,提出了一种等效燃油消耗最小策略(equivalent fuel consumption minimization strategy,ECMS)与深度强化学习方法(deep feinforcement learning,DRL)结合的分层能量管理策略。仿真结果证明,该分层控制策略不仅可以让强化学习中的智能体在无模型的情况下实现自适应节能控制,而且能保证混合动力汽车在所有工况下的SOC都满足约束限制。与基于规则的能量管理策略相比,此分层控制策略可以将燃油经济性提高20.83%~32.66%;增加智能体对车速的预测信息,可进一步降低5.12%的燃油消耗;与没有分层的深度强化学习策略相比,此策略可将燃油经济性提高8.04%;与使用SOC偏移惩罚的自适应等效燃油消耗最小策略(A-ECMS)相比,此策略下的燃油经济性将提高5.81%~16.18%。