导读:本文包含了模型姿态论文开题报告文献综述、选题提纲参考文献，主要关键词:姿态,模型,人体,神经网络,特征,自适应,重构。
模型姿态论文文献综述写法
刘晓东,马飞,张玉,杜立夫[1]（2019）在《基于BP神经网络的模型参考自适应姿态控制》一文中研究指出采用模型参考自适应控制的基本设计框架,并通过BP神经网络对PID控制参数进行自主调节,实现飞行器的自适应姿态控制。利用参考模型输出、实际对象输出等信号作为训练信号,对所构建的叁层BP神经网络进行权重更新。仿真结果表明,将BP神经网络应用于飞行器的自适应姿态控制中,能够实现PID控制器参数的自主调整,表明了BP神经网络优良的逼近性能。同时,该控制方案确保了飞行器姿态控制系统的性能指标,并且提高了工程设计的智能化水平。(本文来源于《航天控制》期刊2019年06期）
耿君[2]（2019）在《基于轮廓图像空频域特征的舞蹈翻腾姿态识别模型》一文中研究指出文中旨在研究基于轮廓图像空频域特征的舞蹈翻腾姿态识别模型。该模型先将待识别舞蹈视频图像实施腐蚀、膨胀、中心归一化等预处理,利用处理后图像提取舞蹈翻腾姿态能量图,通过离散余弦变换提取舞蹈翻腾姿态能量图频域特征,利用Contourlet变换提取舞蹈翻腾姿态能量图空域轮廓特征,采用特征级融合方法融合以上特征获取舞蹈轮廓图像的空频域特征向量集,再将待识别舞蹈视频序列候选姿态利用Baum-Welch算法训练为隐马尔可夫模型,利用舞蹈轮廓图像的空频域特征向量集将隐马尔可夫模型量化至观察序列,通过前向后向算法获取观察序列姿态概率,观察序列概率值最大的隐马尔可夫模型对应姿态即为所需识别舞蹈翻腾姿态。实验结果表明,该模型可较好地提取具有空频域特征的舞蹈轮廓图像,有效识别舞蹈视频中舞蹈翻腾姿态,且识别100帧有阴影舞蹈视频图像中舞蹈翻腾姿态识别准确率高于96%。(本文来源于《现代电子技术》期刊2019年24期）
李松柏[3]（2019）在《四旋翼飞行器姿态控制模型研究》一文中研究指出四旋翼飞行器在飞行姿态中所面临的参数不确定性和噪声干扰等影响,分析了各种姿态控制策略。本文研究一种飞行器姿态控制模型,在设计中将控制器参数不确定性和外部噪声归一化。通过模型的前馈控制项对飞行器控制模型进行实时补偿,同时对归一化之后的系统非线性进行抑制,从而达到四旋翼飞行器的姿态精确控制。(本文来源于《信息技术与信息化》期刊2019年11期）
王婧,谷林[4]（2019）在《一种优化动作特征表示的动作姿态评测模型》一文中研究指出运用传统的动作表示方法对动作特征进行表示,存在动作识别精度和识别效率较低的问题。为此提出一种优化的动作特征表示方法,即将动作整体特征与动作局部特征相融合,对动作特征进行全面的表示。动作整体特征采用传统人体姿态矩阵表示,动作局部特征采用人体骨骼关节点的旋转量表示。利用神经网络训练动作姿态符合度的网络模型,并依据网络模型输出的动作符合度,实现对动作姿态评测。实验表明,优化的动作表示方法,相较于传统的动作表示方法识别精度提高4.643%,具有较高的识别精度和识别效率。(本文来源于《西安工程大学学报》期刊2019年05期）
张伟,朱虎[5]（2019）在《模型姿态按给定成形方向定向定位方法（英文）》一文中研究指出在金属板材数控渐进成形中模型姿态决定着成形半锥角,因而对成形件的厚度减薄率和分布具有较大的影响。为了按照能使板材件厚度均匀化的最佳方向或防止某一局部区域板材减薄量过大的方向成形,需要将待成形件CAD模型通过模型变换的方法,按照所希望的成形方向重新定向和定位。提出待成形件CAD模型的叁维变换算法和定位算法,使用户能够根据自己所希望的方向进行成形加工。(本文来源于《机床与液压》期刊2019年18期）
燕红文,刘振宇,崔清亮,胡志伟,李艳文[6]（2019）在《基于改进Tiny-YOLO模型的群养生猪脸部姿态检测》一文中研究指出生猪脸部包含丰富的生物特征信息,对其脸部姿态的检测可为生猪的个体识别和行为分析提供依据,而在生猪群养场景下,猪舍光照、猪只黏连等复杂因素给生猪脸部姿态检测带来极大挑战。该文以真实养殖场景下的群养生猪为研究对象,以视频帧数据为数据源,提出一种基于注意力机制与Tiny-YOLO相结合的检测模型DAT-YOLO。该模型将通道注意力和空间注意力信息引入特征提取过程中,高阶特征引导低阶特征进行通道注意力信息获取,低阶特征反向指引高阶特征进行空间注意力筛选,可在不显着增加参数量的前提下提升模型特征提取能力、提高检测精度。对5栏日龄20～105d的群养生猪共35头的视频抽取504张图片,共计3712个脸部框,并标注水平正脸、水平侧脸、低头正脸、低头侧脸、抬头正脸和抬头侧脸6类姿态,构建训练集,另取420张图片共计2 106个脸部框作为测试集。试验表明,DAT-YOLO模型在测试集上对群养生猪的水平正脸、水平侧脸、低头正脸、低头侧脸、抬头正脸和抬头侧脸6类姿态预测的AP值分别达到85.54%、79.30%、89.61%、76.12%、79.37%和84.35%,其6类总体m AP值比Tiny-YOLO模型、仅引入通道注意力的CAT-YOLO模型以及仅引入空间注意力的SAT-YOLO模型分别提高8.39%、4.66%和2.95%。为进一步验证注意力在其余模型上的迁移性能,在同等试验条件下,以YOLOV3为基础模型分别引入两类注意力信息构建相应注意力子模型,试验表明,基于Tiny-YOLO的子模型与加入相同模块的YOLOV3子模型相比,总体m AP指标提升0.46%～1.92%。Tiny-YOLO和YOLOV3系列模型在加入注意力信息后检测性能均有不同幅度提升,表明注意力机制有利于精确、有效地对群养生猪不同类别脸部姿态进行检测,可为后续生猪个体识别和行为分析提供参考。(本文来源于《农业工程学报》期刊2019年18期）
曾志超,李桂清,邹歆仪,王宇攀,聂勇伟[7]（2019）在《叁维人体模型姿态与形状重构》一文中研究指出为了解决单张照片人体重构出现的姿态翻转问题,提高重构模型的准确度,提出相邻帧姿态约束和人体轮廓线匹配的姿态与形状序列同时重构算法.对视频中的每一帧,首先估计出图像中人物的二维关节点、人物脸部特征点及其边缘轮廓线;然后将参数化模型SMPL所表达的叁维人体投影到二维平面上,使得投影后的二维信息与对应的视频帧二维信息相匹配;最后通过调整SMPL的姿态与形状参数来最小化匹配能量函数,从而重构出与视频帧中人物具有相似姿态与形状的叁维人体模型.此外,为了使重构结果显得更真实,也对图像帧中人体的头部姿态进行了检测和匹配.该算法在MPI-INF-3DHP数据集、Youku视频和自拍视频帧上均进行了实验,实验结果表明,与SMPLify算法等相比,该算法能有效地避免重构结果中出现姿态翻转的现象,且能在保证模型整体姿态相似性的前提下重构出准确的头部姿态和相似的模型形状.(本文来源于《计算机辅助设计与图形学学报》期刊2019年09期）
彭秀艳,张彪[8]（2019）在《基于EMD-PSO-LSTM组合模型的船舶运动姿态预测》一文中研究指出由于船舶在海上航行时的高随机性和复杂性,单一模型预测能力有限,难以做出准确姿态预测。因此,提出一种基于经验模态分解(EMD)和粒子群优化(PSO)的长短期记忆神经网络(LSTM)的组合预测模型,对船舶运动姿态进行预测。首先通过EMD算法将由惯性导航系统在实时测量得到的船舶运动姿态数据进行分解,得到有限个本征模函数(IMF)。然后,利用PSO-LSTM模型学习各IMF分量的短期时序规律并进行预测,将各IMF分量的预测值相加得到最终的预测结果。基于实测数据进行仿真的结果表明,该组合预测模型分别比LSTM模型和PSO-LSTM模型在姿态角的预测中平均绝对百分比误差分别降低了约11%和7%,有效提高了船舶运动姿态预测精度。(本文来源于《中国惯性技术学报》期刊2019年04期）
郝双全,朱茂然,武元新[9]（2019）在《基于二阶AR模型的姿态估计干扰加速度补偿》一文中研究指出外力引起的干扰加速度是利用加速度计进行姿态估计时的常见问题,进行干扰加速度的检测和补偿可有效提高姿态估计的精度。常规阈值方法在干扰加速度剧烈时易失效,文中提出一种基于二阶自回归(Autoregressive model,AR)模型的干扰加速度补偿方法,通过二阶AR模型预测干扰加速度,并将补偿后的加速度计观测与陀螺仪进行融合姿态估计。实验结果表明,二阶AR模型方法与阈值方法各有优势,将两者结合起来可有效进行干扰加速度的检测和补偿,提高动态情况下的姿态估计效果。(本文来源于《信息技术》期刊2019年07期）
余威,卜旭辉[10]（2019）在《四旋翼无模型自适应抗干扰姿态控制器设计》一文中研究指出针对四旋翼飞行器的非线性、易受干扰等特点,设计一种比例-无模型自适应串级姿态控制器。首先在飞行器的每个工作点,通过一个被称为伪偏导数的慢时变参数,将系统建立为一个等价的动态线性化数据模型,进而实现不依赖任何模型信息的自适应控制;然后,针对四旋翼飞行器参数不确定性和易受外部环境干扰的问题,设计一种扩张状态观测器对扰动进行实时估计和补偿;最后,利用MATLAB验证了该控制器对于四旋翼姿态控制的稳定性和抗干扰性。(本文来源于《电子测量与仪器学报》期刊2019年07期）
模型姿态论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
文中旨在研究基于轮廓图像空频域特征的舞蹈翻腾姿态识别模型。该模型先将待识别舞蹈视频图像实施腐蚀、膨胀、中心归一化等预处理,利用处理后图像提取舞蹈翻腾姿态能量图,通过离散余弦变换提取舞蹈翻腾姿态能量图频域特征,利用Contourlet变换提取舞蹈翻腾姿态能量图空域轮廓特征,采用特征级融合方法融合以上特征获取舞蹈轮廓图像的空频域特征向量集,再将待识别舞蹈视频序列候选姿态利用Baum-Welch算法训练为隐马尔可夫模型,利用舞蹈轮廓图像的空频域特征向量集将隐马尔可夫模型量化至观察序列,通过前向后向算法获取观察序列姿态概率,观察序列概率值最大的隐马尔可夫模型对应姿态即为所需识别舞蹈翻腾姿态。实验结果表明,该模型可较好地提取具有空频域特征的舞蹈轮廓图像,有效识别舞蹈视频中舞蹈翻腾姿态,且识别100帧有阴影舞蹈视频图像中舞蹈翻腾姿态识别准确率高于96%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
模型姿态论文参考文献
[1].刘晓东,马飞,张玉,杜立夫.基于BP神经网络的模型参考自适应姿态控制[J].航天控制.2019
[2].耿君.基于轮廓图像空频域特征的舞蹈翻腾姿态识别模型[J].现代电子技术.2019
[3].李松柏.四旋翼飞行器姿态控制模型研究[J].信息技术与信息化.2019
[4].王婧,谷林.一种优化动作特征表示的动作姿态评测模型[J].西安工程大学学报.2019
[5].张伟,朱虎.模型姿态按给定成形方向定向定位方法（英文）[J].机床与液压.2019
[6].燕红文,刘振宇,崔清亮,胡志伟,李艳文.基于改进Tiny-YOLO模型的群养生猪脸部姿态检测[J].农业工程学报.2019
[7].曾志超,李桂清,邹歆仪,王宇攀,聂勇伟.叁维人体模型姿态与形状重构[J].计算机辅助设计与图形学学报.2019
[8].彭秀艳,张彪.基于EMD-PSO-LSTM组合模型的船舶运动姿态预测[J].中国惯性技术学报.2019
[9].郝双全,朱茂然,武元新.基于二阶AR模型的姿态估计干扰加速度补偿[J].信息技术.2019
[10].余威,卜旭辉.四旋翼无模型自适应抗干扰姿态控制器设计[J].电子测量与仪器学报.2019