论文部分内容阅读
基于卷积神经网络的人体姿态估计研究
【出 处】
：
东南大学
【发表日期】
：
2021年01期
其他文献
随着无线网络可靠性和负载能力的提高、电子元器件制作工艺和设计水平的进步,移动台将支持更广泛更智能的业务。其中,大量的低延时甚至实时业务,对移动台本地计算能力提出了挑战。移动边缘计算是为解决下一代无线网络中的这一难题提供了可行的方案。在移动边缘计算网络中,计算接入节点通过连接移动台和中心云服务器提供存储能力和计算能力。本文分别利用传统算法和机器学习算法联合优化时间延迟和能耗设计任务卸载策略。首先考虑
为了满足社会日益增长的对高数据传输速率、大规模接入终端数量以及高可靠低时延通信的需求,第五代移动通信技术（the 5th Generation Mobile Communication Systems,5G）将引入许多全新的物理层传输技术。分布式大规模多输入多输出（multiple-input multiple-output,MIMO）技术作为一种极具潜力的组网技术,通过将天线单元配置在不同的地理
图像匹配技术是计算机视觉、模式识别等多个领域的重要研究内容之一。其中图像局部不变性特征由于具有较强的抗干扰性,一直是图像匹配算法中的热门研究方向。但是此类算法计算量大,难以直接部署在功耗和算力受限的移动设备中。此外,随着智能终端的普及,图像数据量和图像匹配应用场合逐渐增加,人们对算法的运行速度也提出了更高的要求。为了解决上述问题,本文基于SoPC平台的特点,对SURF图像匹配算法进行了重新设计,并
近年来,随着“中国制造2025”政策的不断推进,国家对新能源日益重视,储能电池等相关产业在我国蓬勃发展。为了保障储能电池的安全可靠运行,电池管理系统已成为国内外学者的研究热点之一。状态估计是电池管理系统的核心功能。本文创新之处在于将遗传算法、无迹卡尔曼滤波、经验模态分解、长短期记忆循环神经网络等方法相结合,提出了一套完整的储能电池管理系统状态估计方案,分别对储能电池的荷电状态、健康状态和功率状态进