基于自适应窗的动态权值代价聚合立体匹配

传统局部匹配算法通常在不同聚合窗口下采用单一权值进行代价聚集,而忽略了不同区域像素点之间的差异性,易导致基于双目视觉测量的立体匹配精度不稳定。为此,提出一种基于自适应窗的动态权值代价聚合立体匹配算法。首先,以梯度信息表征模型为约束条件,构建代价聚合自适应十字交叉窗口。其次,分析视差不连续区域与弱纹理区域的像素特征,建立基于像素距离与色差双阈值权重的代价聚集模型,进而计算各窗口的动态权重影响因子。最后,基于线性迭代聚类法分割视差图区域,剔除奇异的视差值以提高算法匹配精度。实验结果表明,在Middlebury数据集的测试中,所提算法的平均非遮挡区域和全部区域的误匹配率分别为4.11%和5.65%,优于传统匹配算法;4组测量样品的全局长度测量平均相对误差小于1.2%,全局高度测量平均相对误差小于2.7%。实验结果检验了所提算法的有效性和可靠性。

潮汐特征识别在权值优化中的应用

5G的天线权值技术应用比较成熟,现有的权值方案遵循常规的网参优化模型,归为静态权值。但是实际网络的各项指标是动态变化的,若能识别网络用户动态分布特征,将权值优化方案按照小时级切片,即可实现网随业动。如何识别网络用户动态分布特征,成为新的研究课题。本文提供了一种根据历史用户分布时空序列信息识别潮汐场景小区用户分布规律性变化的方案,为动态权值优化提供场景识别。

基于金字塔池化权值印记的训练后混合精度量化算法

模型量化方法现已广泛应用于深度神经网络模型快速推理和部署中.由于训练后量化重新训练所需时间少,性能损失小而备受研究人员关注,但现有训练后量化方法在量化过程中大多以理论假设或是固定分配网络层的比特位宽,导致量化后的网络会出现显著的性能损失,尤其是在低位情况下.为了提升训练后量化网络模型的精度,本文提出一种训练后混合精度量化方法(MSQ),该方法通过在网络模型每一层后插入一个融合了金字塔池化模块和权值印记技术的任务预测器模块,来对网络每一层进行准确度估计,从而评估每一层网络的重要性,根据重要性评估来确定每一层的量化比特位宽.实验表明,本文所提出的MSQ算法在多个流行的网络架构上都优于现有的一些混合精度量化方法,量化后的网络模型在边缘硬件设备上测试性能更好,延迟更低.

基于NSGA权值修正的MPC方法及其在光氢系统应用

针对模型预测控制(MPC)优化控制方法中权值修正问题,以光氢系统为研究背景,搭建一种非支配排序遗传算法(NSGA)修正MPC中权值的复合模型。以NSGA为外层函数,以储能电池出力能力评价系数、储能电池充/放电总能量和碱性电解槽(AEL)功率波动率为目标函数,将权值作为NSGA-MPC复合模型的输入变量进行选择、交叉、变异;以MPC优化控制方法为内层函数,针对不同权值,将计算得出的不同输出变量作为NSGA中目标函数的输入变量,经过遍历、寻优,最终得到最优权值。将最优权值结合现有研究成果中MPC优化控制所用权值围绕三方面进行对比分析,包括:目标函数值、MPC优化控制追踪效果、电解槽和储能电池功率波动率。结果表明,所得最优权值一定程度上降低了电解槽和储能电池的功率波动,优化了MPC控制追踪效果。

宽度学习系统中鲁棒性权值矩阵组合的筛选方法

宽度学习系统(BLS)具有出色的计算效率和预测准确性;然而,在传统BLS框架中,权值矩阵采用随机生成的方式,存在学习结果不稳定的风险。因此,设计一种BLS中鲁棒性权值矩阵组合的筛选方法(RWS-BLS)。首先,通过4组函数数据的验证,揭示随机权值矩阵在样本整体训练误差上的显著差异性;其次,研究权值矩阵组合的形式,放宽筛选条件的严格最优限制,将最优转换为较优,并将误差最小值限定在指定范围内,定义精英组合等条件;最后,得到可靠的权值矩阵的组合,有效降低随机性影响,并建立稳健的模型。实验结果表明,在16组模拟数据、NORB数据集和5组UCI回归数据集上,在数据更换或受噪声扰动的情况下,与BLS方法相比,所提方法的均方误差(MSE)下降了7.32%、8.73%和1.63%。RWS-BLS为BLS提供了一种模型平稳性研究的方向,提高了含有随机参数模型的效率和稳定性,并对涉及随机参数的其他机器学习方法具有借鉴作用。

两输入幂激励前向神经网络权值与结构确定

基于多元函数逼近与二元幂级数展开理论,构建了一个以二元幂函数序列为隐神经元激励函数的两输入幂激励前向神经网络模型。以该网络模型为基础,基于权值直接确定法以及隐神经元数目与逼近误差的关系,提出了一种网络权值与结构确定算法。计算机仿真与数值实验结果验证了所构建的网络在逼近与去噪方面具有优越的性能,所提出的权值与结构确定算法能够快速、有效地确定网络的权值与最优结构,保证网络的最佳逼近能力。

切比雪夫正交基神经网络的权值直接确定法

经典的BP神经网络学习算法是基于误差回传的思想。而对于特定的网络模型,采用伪逆思想可以直接确定权值进而避免以往的反复迭代修正的过程。根据多项式插值和逼近理论构造一个切比雪夫正交基神经网络,其模型采用三层结构并以一组切比雪夫正交多项式函数作为隐层神经元的激励函数。依据误差回传(BP)思想可以推导出该网络模型的权值修正迭代公式,利用该公式迭代训练可得到网络的最优权值。区别于这种经典的做法,针对切比雪夫正交基神经网络模型,提出了一种基于伪逆的权值直接确定法,从而避免了传统方法通过反复迭代才能得到网络权值的冗长训练过程。仿真结果表明该方法具有更快的计算速度和至少相同的工作精度,从而验证了其优越性。

加权最小二乘状态估计量测权值计算的实用方法

分析了实际系统中直接影响加权最小二乘状态估计量测权值的因素,基于量测精度等级及满量程提出了设置量测权值的实用化方法,展示了实际系统中典型量测权值的标幺化数值,可以看出不同电压等级功率量测权值的差别以及电压幅值量测和功率量测权值之间的关系。使用文中方法计算得到的量测权值能更准确地反映量测精度,从而能够提高状态估计结果的准确性,模拟算例和实际工程应用验证了所述方法的有效性。文中还分析说明了计算两种派生量测权值的方法以及选取零注入量测权值的原则。

自适应权值的静态背景提取与更新算法

对比了多种视频中的静态背景提取方法,针对这些方法各自的局限性,提出一种新型的背景提取更新方法。该方法通过引入新参数背景权值及其变化量,背景权值作为评判背景可靠程度的标准,以其数值大小控制背景的维持或者更新。对每一帧图像进行二次判定,将读入的图像元素进行分类,分别产生不同的背景权值变化量,通过背景权值变化量控制背景权值。实验验证表明该方法具有原理简单,运算快捷,更新速度较快且抗前景干扰能力强的优点,而且通过调节定值参数可以适应多种不同情况下的背景提取。

大学生体质健康标准权值的思考

用数理统计法讨论了我院472名男生和299名女生在16组权值下体质健康成绩的正态性、方差和均值,以抽取新权值(20:15:30:15:20)。与标准权值相比,新权值下体质健康评价结果差异显著,整体区分度更好、学生成绩普遍提高。新权值与体质健康标准宗旨更吻合。

三输入伯努利神经网络权值与结构双确定

根据函数逼近理论以及Weierstrass逼近定理,构造出一类以伯努利多项式的乘积为隐层神经元激励函数的三输入神经网络模型,即三输入伯努利神经网络。针对该网络模型,根据权值直接确定法以及隐层神经元数目与逼近误差的关系,提出了三个网络权值与结构双确定算法。数值实验显示,由这三个算法分别确定的神经网络在学习与校验方面都拥有优越的性能,同时也具有较佳的预测能力。

基于权值共享的中朝神经机器翻译方法

针对低资源神经机器翻译,数据量不足,翻译效果不好的问题,提出采用权值共享的方法优化低资源神经机器翻译。首先,创建父模型,将爬取得到的数据进行处理,采用神经机器翻译模型进行训练;其次,创建统一的词典,确保子模型能够有效地利用父模型的词汇知识;最后,权值共享,子模型获得父模型的先验知识,为了验证所提方法的有效性进行实验对比,结果显示,权值共享模型翻译性能更好,译文的关键词及语义翻译完整,BLEU值较普通神经机器翻译模型提升了3.25。综上所述,通过采用迁移学习中的权值共享方法,我们成功地优化了低资源神经机器翻译问题,显著提高了翻译效果。这一方法对于解决低资源语言对的机器翻译问题具有重要的应用价值。

一种改进遗传算法实现前向神经网络权值优化的方法

本文介绍了一种自适应改变交叉概率和变异概率的改进遗传算法。针对前向神经网络离线训练过程中梯度下降法存在易陷入局部极小的缺点和遗传算法能够很快接近全局最优的优点,提出了应用改进遗传算法对前向神经网络权值实现优化的方法,最后应用图形化可编程语言LabV IEW实现了改进遗传算法对前向神经网络权值的优化,证明了本方法的有效性。一、问题的提出由于含有至少一个隐含层和足够隐含层节点的前向神经网络以任意精度逼近复杂非线性函数,因此在系统辨识、控制器设计、系统建模、状态估计、优化、预测等方面有大量的应用,但目前为止前向神经网络还存在诸多问题待完善。如何确定适当的隐层节点数,以及怎样获得最优的权值并提高训练速度等成为亟待解决的问题。

初始权值优化技术在SOM网络中的应用

SOM网络是一种无导师学习方法,被广泛应用于各个领域。网络的性能受很多因素影响,如样本的选择、网络结构、初始权值的选定等。针对网络初始权值选取的不确定性问题,提出了覆盖权值初始化方法来优化SOM网络的初始权值:该方法从样本入手,并通过"覆盖"方法得出初始权值,仿真实验结果证明了此方法能有效的提高网络的识别率和稳定性。

Padé有理式神经网络及其权值直接确定法

根据Pad近似理论,构造出一类前向有理式神经网络.该网络采用四层结构,其中第一层(输入层)和第三层采用线性激励函数,第二层采用幂激励函数,第四层(输出层)采用分数函数(或称除法函数)作为激励函数.依据梯度下降法思想,推导了其权值修正的迭代公式.针对迭代方法收敛速度慢、易陷入局部极小点等缺点,进一步推导出了基于伪逆的权值直接确定方法,该方法避免了冗长的迭代过程.仿真和预测结果均表明Pad有理式神经网络及其权值直接确定法具有较好的计算速度和更高的逼近与预测精度.

权值动态分配的加权平均法在姿态解算中的应用

鉴于各种姿态算法解算后的精度不高,提出将加权平均法应用于捷联惯导系统的姿态解算中。针对实际应用中无法准确获得姿态角度的真实值这一情况,提出对解算误差进行实时估计的方法,再基于最优权值分配的原则进行权值动态分配。对几种姿态解算算法进行了有效的融合,并应用到姿态解算模块的实际测量中。测量结果分析表明此种方法很大程度上减少了单一算法的解算误差及测量的误差,提高了测量的精度。

基函数神经网络权值直接确定的图像复原

给出了基函数神经网络图像复原的模型,该神经网络模型是由三层构成的前向神经网络,以一组正交基为隐层神经元的激励函数。为了避免反复迭代权值修正的冗长BP训练过程,提出了一种权值直接确定的算法。实验结果表明,该种权值直接确定算法不仅能一步确定权值而获得更快的运算速度,而且能达到更高的精度。

基于权值重组的装备效能评价指标权重的确定

在分析装备效能评价工作重要性的基础上,以车载发配电系统为研究实体,建立其效能评价指标体系;利用权值重组方法确定指标的组合权值,重点对多种方法确定的权重值进行比对,讨论确定指标组合权值的合理性,同时,根据分析结果找出影响系统效能的关键指标。结果表明,这种方法能合理突出重点指标的作用,使多层次指标体系合理构建和优化组合,可实现整体评价的最优或满意。该方法可为科学客观地确定系统效能评价指标的权重提供有益的参考。

基于云计算的改进余弦向量度量法索引项权值算法

针对用户对索引项重要程度无区分以及普通计算平台承载能力受限提出基于云计算的改进余弦向量度量法索引项权值算法(ICVMMITWCC算法),该算法通过从包含全部索引项的文本集中计算索引项平均权值对经典的余弦向量度量法索引项权值算法(CCVMMITW算法)修改求得相对权值;通过实验对比ICVMMITWCC算法与CCVMMITW算法下文本的排序效率,说明ICVMMITWCC算法更贴近用户查询需求.

基于权值控制的误分类算法研究

研究了误分类代价敏感提升算法AdaCost,认为在该算法的每轮循环中可以增加一个过程,用来计算产生出的弱分类器的精确度,从而避免AdaCost算法的盲目循环.同时引入实例权值的上下阈值,控制实例权值的更新过程.本文提出的权值控制误分类算法WCM isC是对AdaCost算法的优化.通过实验设计,验证了权值控制误分类算法WCM isC能有效提高AdaCost算法的分类精度,具有高泛化能力.