CN113610124B - 基于马尔可夫链蒙特卡洛的人手轨迹生成方法和系统 - Google Patents

基于马尔可夫链蒙特卡洛的人手轨迹生成方法和系统 Download PDF

Info

Publication number
CN113610124B
CN113610124B CN202110833969.7A CN202110833969A CN113610124B CN 113610124 B CN113610124 B CN 113610124B CN 202110833969 A CN202110833969 A CN 202110833969A CN 113610124 B CN113610124 B CN 113610124B
Authority
CN
China
Prior art keywords
sample
time
speed
human hand
sampling
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110833969.7A
Other languages
English (en)
Other versions
CN113610124A (zh
Inventor
翟超
赵皓伟
宗小峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN202110833969.7A priority Critical patent/CN113610124B/zh
Publication of CN113610124A publication Critical patent/CN113610124A/zh
Application granted granted Critical
Publication of CN113610124B publication Critical patent/CN113610124B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于马尔可夫链蒙特卡洛的人手轨迹生成方法，包括：采集运动轨迹的样本数据；使用核密度估计方式将样本数据转换到概率分布；对概率分布进行采样，获取初始样本；将初始样本的速度序列划分为多个速度段，并将初始样本的速度序列划分为相应数量的时间段序列；从当前时间中获取待恢复轨迹的数据点所属的速度段，并寻找初始样本的数据点对应的速度段，获得当前速度段最大值对应的点；从符合当前速度段算法结果的样本数据中取样，并将取到的样本放入时间段序列中，重复轨迹恢复过程，直至生成一个完整的速度‑时间序列；对速度‑时间序列进行积分，从而获得人手运动轨迹。

Description

基于马尔可夫链蒙特卡洛的人手轨迹生成方法和系统
技术领域
本发明涉及人工智能技术领域，具体涉及基于马尔可夫链蒙特卡洛的人手轨迹生成方法和系统。
背景技术
现有对人手轨迹生成器的设计往往基于网络训练的方式，而网络训练的问题是：实时性较差，需要大量样本，训练时间较长，输出结果比较单一。
发明内容
本发明解决的一个主要问题是人手轨迹生成器的网络训练实时性较差，需要大量样本的问题。
根据本发明的一个方面，本发明提供一种基于马尔可夫链蒙特卡洛的人手轨迹生成方法，包括：
采集运动轨迹的样本数据；
使用核密度估计方式将所述样本数据转换到概率分布π(x)中，其中，x为样本数据；
对所述概率分布π(x)进行采样，获取初始样本；
根据实际精度需求和所述初始样本的采样时间，将所述初始样本的速度序列划分为多个速度段，并将所述初始样本的速度序列划分为相应数量的时间段序列；
从当前时间的所述时间段序列中，获取已知速度曲线的速度点已取得的速度段；
采集所述初始样本中已取得速度段的范围内的速度点，并确定当前时间对应的速度段的最大值或最小值对应的速度点，从而确定所述初始样本在当前时间对应的速度段；
从已确定当前时间对应的速度段的所述初始样本中取样，并将取到的样本放入所述时间段序列中，迭代重复取样，直至生成一个完整的速度-时间序列；
对所述速度-时间序列进行积分，获得人手运动轨迹。
进一步地，所述对所述概率分布π(x)进行采样，获得初始样本的方法为：
按照预设次数进行重复采样：
从正态分布N(μ＝x，σ＝1)中采样得到第一样本x*，其中，μ为均值，σ为方差的正态分布；
从均匀分布中采样得到随机数r，且r∈[0，1]，设α(x，x*)为接受率，其值为若所述随机数满足第一公式：
则接受状态转移，即xt的下一状态xt+1为x*，其中，xt为样本当前状态，xt+1为样本下一状态，t为时间；
若所述随机数不满足第一公式，则不接受状态转移，即xt的下一状态仍跳转回xt。
进一步地，所述预设次数包括：
设定状态转移次数和样本数，所述预设次数为所述状态转移次数和所述样本数的和。
进一步地，所述速度段在同一时间序列内规定的速度相同。
进一步地，所述时间段序列均为等长时间的序列。
进一步地，所述速度段的数量取所述初始样本对应的数据点数量的一半以上。
进一步地，所述对所述速度-时间序列进行积分，获得人手运动轨迹还包括：
两数据点之间的积分为梯形面积的值，所述梯形的面积为所述两数据点之间的连线，和所述两数据点相对于x轴的垂线，以及两垂足之间的线段所组成的梯形的面积，将面积的值作为一个数据点便得到所述人手运动轨迹。
根据本发明的另一个方面，还公开一种基于马尔可夫链-蒙特卡洛的人手轨迹生成系统，所述基于马尔可夫链-蒙特卡洛的人手轨迹生成系统包括依次电性连接的数据处理模块、核密度估计模块、马尔可夫链-蒙特卡洛抽样模块和速度-时间序列恢复模块，所述人手轨迹生成系统运行时用于实现如前任一所述的一种基于马尔可夫链蒙特卡洛的人手轨迹生成方法。
本发明采用具有马尔可夫链-蒙特卡洛方法模拟人手轨迹生成可以做到实时性较好，只需要少量的样本，获得结果的时间较短，并且可以根据需要定制时间序列，结果较为多样。对于一些社交障碍的患者，模仿的过程能使患者认识到自己的状态，且通过与同类患者(模仿者)的交涉过程中能以自信的观点看待生活中各种压力的情况，而该生成器的结果就可以有效地实施具有患者特征的“模仿”以达到辅助治疗的效果。
附图说明
本发明构成说明书的一部分附图描述了本发明的实施例，并且连同说明书一起用于解释本发明的原理。
图1为本发明实施例中叠加接受率的马尔可夫链与转移过程示意图。
图2为本发明实施例中拟合样本分布与抽样结果的分布示意图。
图3为本发明实施例中实验效果中实际恢复速度-时间曲线示意图。
图4为本发明实施例中基于马尔可夫链-蒙特卡洛的人手轨迹生成系统结构示意图。
具体实施方式
下面将结合附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
实施例一，一种基于马尔可夫链蒙特卡洛的人手轨迹生成方法，主要步骤为：
首先，将采集到的运动轨迹使用核密度估计的方式转换到其对应的概率分布，设其对应的概率分布为π(x)。然后，依据以下过程进行采样：
a.对任意简单分布(在这里选择的是下文的正态分布N)进行第一次采样，得到初始样本的其中一个样本X0，由于非周期不可约马尔可夫链的平稳分布与初始状态无关，所以初始状态任意。
b.设定状态转移次数(确定燃烧期N1，在燃烧期内正态分布的转移矩阵逐渐走向平稳分布)，设定样本数C，按如下过程进行总次数为S＝N1+N2次的如下采样操作获取初始样本：
从条件概率分布Q(x|xt)，即正态分布N(μ＝x，σ＝1)(μ为均值，σ为方差的正态分布)中采样得到样本x*。从均匀分布中采样得到随机数r且r∈[0，1]，设α(x，x*)为接受率，其值为即等于1和/>里的较小者。
那么若随机数满足下述公式：
则接受该转移，将xt作为当前状态，xt+1为其下一状态，接受转移即xt+1＝x，也即xt的下一状态为x*；
若随机数r不满足公式(1)，则不接受转移，有xt+1＝xt，即xt的下一状态仍跳转回xt，如果该步拒绝跳转而舍弃了不符合条件的样本，那么接受率的设计也就失去了意义，其本身也不再能满足马尔科夫链的归一性，如图1所示，接受率的存在就是使抽取到的结果符合π(x)的状态转移分布或状态转移矩阵，满足其归一性。
最终，得到了S个初始样本，由于选择的正态分布具有对称性，所以不必研究其燃烧期的过渡过程，也就是说不需要确认燃烧期的次数而采出的S个样本都是有效的且都符合π(x)的分布而直接将所有采集样本标为可用(原本，可用的的样本数应当是N2，但是由于正态分布有对称性这一优越特性(对称性便于我们采样，利用了该特性之后本身不便于我们确认到底在什么时候该链已经平稳；且采样量较大，过渡期的样本对结果影响很小。当然也可以设置一个过渡期后只取过渡期经过后的样本，但是我们并不好确定这个时间节点在哪里，不过一般都比较短，数次或者数十次迭代即可趋于稳定)导致的S个样本均可用且因该过程本身采集样本较多，且过渡期产生的样本很少对整体结果影响很小而无需关心燃烧期使提议分布的马氏链先趋于稳定的过渡)。
由于抽样的结果本身不包含时间信息，所以其本身是不能恢复其轨迹或者运动特性(速度-时间)的曲线的，但是抽取得到的样本有可取之处——从概率分布角度来说其结果全部符合原运动特征，且样本数越多，包含的运动特性信息越多，根据时间恢复出的速度特性轨迹越完整。
总而言之，抽取的结果的样本点，也就是初始样本的样本点包含其运动的速度特性(如范围，特点，分布)但不包含运动的时间特性，故最后依据如下方法对时间序列进行恢复：
首先获得初始样本的数据点的最大和最小值，将数据点的最大值和最小值的区间化为S个速度段区间，在同一时间序列内规定速度相同，并将最开始提供的样本数据的速度序列按等长时间序列划分为A个时间段；速度相同是指可依据需要的精度将每段的速度划为其左或右端点的速度值，即类似于柱状图的区间，以此将速度划为数个等长的区间。
在一些实施例中，由于寻找最大值的目的是为了划分区间，比如要把1-10划分为9个区间，相左划分，那么就需要知道单个区间的最大值如2、3、4等等，之后将其划分为1-2、2-3、3-4、等等多个区间，也可以取区间左值划分，本方法中取了区间的右值。
速度段的数量依据需要恢复的精度和初始提供的样本数据的数据点的采样时间划分，一般推荐取总数据点的点数的一半及以上即可。而时间段的划分与总时长和采样时间有关，如果原来采集的初始样本的序列点数较多且采样时间间隔较短，则可酌情减少划分段数以减少重复点数，每段的时间长度与段数和原数据点的总时间长度相关，按需取长即可。
依据上述过程划分的区间，每一个通过算法得到的数据点都应当属于一个已划分好的速度区间段，该处数据点是指：我们按时间顺序依次取时间序列上对应的速度点，由于我们已经对原始速度-时间序列划分速度段，而这个速度段同时用于将我们采集得到的初始样本的数据点进行划分(准确地说是将采集得到的样本归类于已划分好的速度段)，所以只有一个速度段的划分标准，而这个标准只源于原始的速度-时间序列。我们找到了一个原始速度-时间序列里的数据点，就知道其对应的速度段，而后在依据速度段分类的初始样本的对应的速度段中抽取一个在该速度段范围内的样本即可。记T为时间段序列，从T＝0(第一个速度段)开始到A(最后一个速度段)结束，有如下过程：
从当前时间Ts中获取初始样本的数据点所属的速度段，并从该速度段中寻找样本数据中该数据点对应的当前速度段，并求得当前速度段最大值对应的速度点。从符合当前速度段的算法结果的样本中抽取一样本，并将该样本放入时间序列中，重复以上取样过程，直到一个完整的序列被抽取完成。
如图3所示，最终，根据步骤2恢复轨迹的过程会生成需要的真实的速度-时间序列，如果需要人手轨迹则可以对完整的序列进行积分：两点之间的积分为两点连线，和两点对x轴的垂线，以及两垂足之间的线段所组成的梯形的面积，将面积的值作为一个个数据点就可以得到运动的轨迹。
两条曲线分别为原始速度-时间曲线的点和抽取样本结果的点对应的核密度估计光滑曲线，两条曲线相似程度越高拟合效果越好；
柱状图是光滑曲线对应的概率密度函数的离散体现，柱数可选择，也就是说改图的柱状图仍可继续细分，不过柱状图只是为了方便对其做一些数学分析：如峰值凸起程度和谷值凹陷程度的对比等，柱数越多离散划分越精细。
实施例二，如图4所示，为一种基于马尔可夫链-蒙特卡洛的人手轨迹生成系统，本系统分为四个模块，用于采集初始样本的X-t曲线的外部采集设备连接数据输出或数据处理(如积分)模块；
核密度估计模块，该模块是将原始数据点转为其对应的概率分布的模块，因为该设计是在数学(概率和随机过程)的角度上建立的，所以该模块是初始准备模块，只需要将数据样本输入就可以通过核密度估计的函数转为其对应的分布；
马尔可夫链-蒙特卡洛抽样模块，该模块是运动轨迹生成器的主要功能部分，负责从核密度估计模块中得到的分布中抽取符合该分布的数据样本。
速度-时间序列恢复模块，该模块使在马尔可夫链-蒙特卡洛抽样模块中抽取的无时间信息的数据样本恢复时间信息，使其变为可直接使用的时间序列；将获取的时间序列在前述外部处理设备中积分便可获得人手运动轨迹。
马尔可夫链-蒙特卡洛方法相比于网络训练的方式，有如下优点与新角度：
实时性较好：在一定的样本基础上就可以获得其特征从而立即给出相似的轨迹；
速度快，效果好：不需要大量的样本进行重复训练，只需要少量的样本就可以获得特征生成轨迹，同时对比多层网络的结构来说简单易实现；
从概率分布的角度分析问题：更易获得特征并学习，恢复轨迹简单易行，同时能从概率的角度给出特定的指标分析其运动特点；
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

Claims (7)

1.一种基于马尔可夫链蒙特卡洛的人手轨迹生成方法，其特征在于，包括：
采集运动轨迹的样本数据；
使用核密度估计方式将所述样本数据转换为概率分布π(x)，其中，x为样本数据；
对所述概率分布π(x)进行采样，获取初始样本；根据实际精度需求和所述初始样本的采样时间，将所述初始样本的速度序列划分为多个速度段，并将所述初始样本的速度序列划分为一定数量的时间段序列；
从当前时间的所述时间段序列中，获取已知速度曲线的速度点已取得的速度段；
采集所述初始样本中已取得速度段的范围内的速度点，并确定当前时间对应的速度段的最大值或最小值对应的速度点，从而确定所述初始样本在当前时间对应的速度段；
从已确定当前时间对应的速度段的所述初始样本中取样，并将取到的样本放入所述时间段序列中，迭代重复取样，直至生成一个完整的速度-时间序列；
对所述速度-时间序列进行积分，获得人手运动轨迹；
所述对所述概率分布π(x)进行采样，获得初始样本的方法为：按照预设次数进行重复采样：
从正态分布N(μ＝x,σ＝1)中采样得到第一样本x*，其中，μ为均值，σ为方差的正态分布；
从均匀分布中采样得到随机数r,且r∈[0,1]，设α(x,x*)为接受率，其值为若所述随机数满足第一公式：
则接受状态转移，即xt的下一状态xt+1为x*，其中，xt为样本当前状态，xt+1为样本下一状态，t为时间；若所述随机数不满足第一公式，则不接受状态转移，即xt的下一状态仍跳转回xt。
2.如权利要求1所述的一种基于马尔可夫链蒙特卡洛的人手轨迹生成方法，其特征在于，所述预设次数包括：
设定状态转移次数和样本数，所述预设次数为所述状态转移次数和所述样本数的和。
3.如权利要求1所述的一种基于马尔可夫链蒙特卡洛的人手轨迹生成方法，其特征在于，所述速度段在同一时间序列内规定的速度相同。
4.如权利要求1所述的一种基于马尔可夫链蒙特卡洛的人手轨迹生成方法，其特征在于，所述时间段序列均为等长时间的序列。
5.如权利要求1所述的一种基于马尔可夫链蒙特卡洛的人手轨迹生成方法，其特征在于，所述速度段的数量取所述初始样本对应的速度点数量的一半以上。
6.如权利要求1所述的一种基于马尔可夫链蒙特卡洛的人手轨迹生成方法，其特征在于，所述对所述速度-时间序列进行积分，获得人手运动轨迹还包括：两数据点之间的积分为梯形面积的值，所述梯形的面积为所述两数据点之间的连线，和所述两数据点相对于X轴的垂线，以及两垂足之间的线段所组成的梯形的面积，将面积的值作为一个数据点便得到所述人手运动轨迹。
7.一种基于马尔可夫链-蒙特卡洛的人手轨迹生成系统，其特征在于，所述基于马尔可夫链-蒙特卡洛的人手轨迹生成系统包括电性连接的数据处理模块、核密度估计模块、马尔可夫链-蒙特卡洛抽样模块和速度-时间序列恢复模块，所述人手轨迹生成系统运行时用于实现如权利要求1-6任一所述的一种基于马尔可夫链蒙特卡洛的人手轨迹生成方法。
CN202110833969.7A 2021-07-23 2021-07-23 基于马尔可夫链蒙特卡洛的人手轨迹生成方法和系统 Active CN113610124B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110833969.7A CN113610124B (zh) 2021-07-23 2021-07-23 基于马尔可夫链蒙特卡洛的人手轨迹生成方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110833969.7A CN113610124B (zh) 2021-07-23 2021-07-23 基于马尔可夫链蒙特卡洛的人手轨迹生成方法和系统

Publications (2)

Publication Number Publication Date
CN113610124A CN113610124A (zh) 2021-11-05
CN113610124B true CN113610124B (zh) 2024-04-19

Family

ID=78338136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110833969.7A Active CN113610124B (zh) 2021-07-23 2021-07-23 基于马尔可夫链蒙特卡洛的人手轨迹生成方法和系统

Country Status (1)

Country Link
CN (1) CN113610124B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100087512A (ko) * 2009-01-28 2010-08-05 서경대학교 산학협력단 은닉 마르코프 모델 기반 동작 인식 방법 및 이를 실현시키기 위한 프로그램을 기록한 컴퓨터로 판독 가능한 기록 매체
CN102073853A (zh) * 2011-01-14 2011-05-25 华南理工大学 基于马尔可夫蒙特卡洛算法的多目标车辆跟踪方法
CN104215960A (zh) * 2014-08-25 2014-12-17 西安电子科技大学 基于改进粒子滤波的目标跟踪方法
CN105260952A (zh) * 2015-11-19 2016-01-20 华北电力大学（保定） 基于马尔科夫链蒙特卡洛方法的光伏电站可靠性评估方法
CN105825297A (zh) * 2016-03-11 2016-08-03 山东大学 一种基于马尔科夫模型的位置预测方法
CN108391003A (zh) * 2018-02-06 2018-08-10 上海康斐信息技术有限公司 一种运动轨迹速度颜色分配和生成的方法及系统
CN108574933A (zh) * 2017-03-07 2018-09-25 华为技术有限公司 用户轨迹恢复方法及装置
CN111780774A (zh) * 2020-06-09 2020-10-16 当家移动绿色互联网技术集团有限公司 运动轨迹的生成方法、装置、存储介质和电子设备
WO2020261447A1 (ja) * 2019-06-26 2020-12-30 日本電信電話株式会社 パラメタ推定装置、パラメタ推定方法、及びパラメタ推定プログラム
CN112268563A (zh) * 2020-10-23 2021-01-26 重庆越致科技有限公司 一种行人乘坐轨道交通状态及轨迹的检测方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2659335A4 (en) * 2010-12-29 2016-05-18 Thomson Licensing SYSTEM AND METHOD FOR RECOGNIZING GESTURES
US9824281B2 (en) * 2015-05-15 2017-11-21 Sportlogiq Inc. System and method for tracking moving objects in videos

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100087512A (ko) * 2009-01-28 2010-08-05 서경대학교 산학협력단 은닉 마르코프 모델 기반 동작 인식 방법 및 이를 실현시키기 위한 프로그램을 기록한 컴퓨터로 판독 가능한 기록 매체
CN102073853A (zh) * 2011-01-14 2011-05-25 华南理工大学 基于马尔可夫蒙特卡洛算法的多目标车辆跟踪方法
CN104215960A (zh) * 2014-08-25 2014-12-17 西安电子科技大学 基于改进粒子滤波的目标跟踪方法
CN105260952A (zh) * 2015-11-19 2016-01-20 华北电力大学（保定） 基于马尔科夫链蒙特卡洛方法的光伏电站可靠性评估方法
CN105825297A (zh) * 2016-03-11 2016-08-03 山东大学 一种基于马尔科夫模型的位置预测方法
CN108574933A (zh) * 2017-03-07 2018-09-25 华为技术有限公司 用户轨迹恢复方法及装置
CN108391003A (zh) * 2018-02-06 2018-08-10 上海康斐信息技术有限公司 一种运动轨迹速度颜色分配和生成的方法及系统
WO2020261447A1 (ja) * 2019-06-26 2020-12-30 日本電信電話株式会社 パラメタ推定装置、パラメタ推定方法、及びパラメタ推定プログラム
CN111780774A (zh) * 2020-06-09 2020-10-16 当家移动绿色互联网技术集团有限公司 运动轨迹的生成方法、装置、存储介质和电子设备
CN112268563A (zh) * 2020-10-23 2021-01-26 重庆越致科技有限公司 一种行人乘坐轨道交通状态及轨迹的检测方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Particle Marginal Metropolis-Hastings Multi Target Tracker;Tuyet Vu;《IEEE TRANSACTIONS ON SIGNAL PROCESSING》;3953-3964 *
Vehicle Trajectory Estimation Using Spatio-Temporal MCMC;Yann Goyat;《EURASIP Journal on Advances in Signal Processing》;1-8 *
基于历史数据的空中改航算法研究;陈正茂;林毅;杨波;;工程科学与技术(第04期);114-119 *
异常轨迹数据预警与预测关键技术综述;仇功达;《系统仿真学报》;2608-2617 *

Also Published As

Publication number Publication date
CN113610124A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
US11373055B2 (en) Bidirectional attention-based image-text cross-modal retrieval method
Gu et al. Dots: Decoupling operation and topology in differentiable architecture search
Medhekar et al. Heart disease prediction system using naive Bayes
WO2021073116A1 (zh) 生成法律文书的方法、装置、设备和存储介质
Ghasemzadeh et al. Collaborative signal processing for action recognition in body sensor networks: a distributed classification algorithm using motion transcripts
Cohen Hidden Markov models in biomedical signal processing
CN106844788B (zh) 一种图书馆智能搜索排序方法及系统
CN108108354A (zh) 一种基于深度学习的微博用户性别预测方法
CN109003677A (zh) 病历数据结构化分析处理方法
CN110659392B (zh) 检索方法及装置、存储介质
EP2492826A1 (en) High-accuracy similarity search system
CN113610124B (zh) 基于马尔可夫链蒙特卡洛的人手轨迹生成方法和系统
CN106844512B (zh) 智能问答方法及系统
Ejbali et al. Intelligent approach to train wavelet networks for Recognition System of Arabic Words
CN111481193B (zh) 一种跌倒风险评估与预警方法及系统
Wang et al. A shallow convolutional neural network for classifying MI-EEG
CN113761192A (zh) 文本处理方法、文本处理装置及文本处理设备
CN110825852B (zh) 面向长文本的语义匹配方法及系统
CN112948527A (zh) 一种改进的TextRank关键词提取方法及装置
CN114494972A (zh) 一种结合通道选择与位置优化的目标跟踪方法及系统
Guenterberg et al. Automatic segmentation and recognition in body sensor networks using a hidden Markov model
Cao et al. Real-Time Deep Compressed Sensing Reconstruction for Electrocardiogram Signals
Momenipour et al. PHMM: Stemming on Persian Texts using Statistical Stemmer Based on Hidden Markov Model.
Gomes et al. Human Activity Recognition Based on Novel Accelerometry Features and Hidden Markov Models Application.
CN117113941B (zh) 标点符号恢复方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant