多因素引导的行人重识别数据增广方法研究

为解决行人重识别研究领域中行人标注图像获取困难的问题,提出一种多因素引导的行人数据增广方法。首先,在生成器网络中设计了一种局部多尺度引导机制,通过特征融合抑制生成图像的局部伪影;其次,提出了长距离相关性引导机制,通过外注意力引导生成图像的长距离依赖,提高生成行人图像的整体视感质量;最后,提出一种抗博弈判别网络,通过嵌入到生成对抗网络,从而构建一种三网络稳定博弈架构模型,增加生成对抗网络训练的稳定性。通过VIPeR、Market-1501、DukeMTMC-reID这3种不同规模数据集的仿真实验,结果表明该方法与目前主流方法相比,mAP与Rank-1精度上均有不同程度的提升,在小规模数据集上的提升较为显著。

基于稳定性分析的非凸损失函数在线点对学习的遗憾界

点对学习(pairwise learning)是指损失函数依赖于2个实例的学习任务.遗憾界对点对学习的泛化分析尤为重要.现有的在线点对学习分析只提供了凸损失函数下的遗憾界.为了弥补非凸损失函数下在线点对学习理论研究的空白,提出了基于稳定性分析的非凸损失函数在线点对学习的遗憾界.首先提出了一个广义的在线点对学习框架,并给出了具有非凸损失函数的在线点对学习的稳定性分析;然后,根据稳定性和遗憾界之间的关系,对非凸损失函数下的遗憾界进行研究;最后证明了当学习者能够获得离线神谕(oracle)时,具有非凸损失函数的广义在线点对学习框架实现了最佳的遗憾界O(T-^(1/2)).

基于空间投影和聚类划分的SVR加速算法

数据不仅能产生价值,还对统计学的科学发展提供了动力。随着科技的飞速发展,海量数据得以涌现,但大规模的数据会导致很多传统处理方法很难满足各领域对数据分析的需求。面对海量数据时代学习算法的低效性,分治法通常被认为是解决这一问题最直接、最广泛使用的策略。SVR是一种强大的回归算法,在模式识别和数据挖掘等领域有广泛应用。然而在处理大规模数据时,SVR训练效率低。为此,该文利用分治思想提出一种基于空间投影和聚类划分的SVR加速算法(PKM-SVR)。利用投影向量将数据投影到二维空间;利用聚类方法将数据空间划分为k个互不相交的区域;在每个区域上训练SVR模型;利用每个区域的SVR模型预测落入同一区域的待识别样本。在标准数据集上与传统的数据划分方法进行对比实验,实验结果表明该算法训练速度较快,并表现出更好的预测性能。

基于姿态引导特征增强的遮挡行人重识别

为解决遮挡行人重识别在特征提取过程中的特征丢失、特征匹配过程中的噪声干扰问题,提出了一种姿态引导的特征增强模型。首先,在关键点信息的辅助下,设计一种对称区域特征修复模块,将被遮挡区域丢失的局部特征替换为未遮挡区域的局部特征;其次,为挖掘局部特征的内在语义联系,设计一种相邻区域特征补偿模块,通过相邻区域特征修正局部特征表示;最后,通过引入广义均值池化对特征图的中心区域再次进行特征提取,提升行人特征向量的表达能力,以获得更加准确的全局特征。仿真实验表明,该模型在常见的全身数据集、半身数据集和遮挡数据集的Rank-1和mAP均优于绝大部分算法,其中在遮挡数据集Occluded-Duke、Occluded-REID上的Rank-1分别达到了56.7%和72.4%。

一种基于Agent的任务自生成方法

任务自生成是基于预先设定的业务工作流完成任务执行流程制定的一个过程,任务执行流程制定主要包括任务执行步骤选取与任务执行步骤相应的解决方案选取。提出一种基于Agent的任务自生成方法来解决基于传统的业务工作流的流程制定机制,在面对有差异性需求的不同任务时,因其不能做出任务执行流程制定的自适应性改变而在处理任务时出现处理速度慢、结果不准确等问题。利用Agent的环境感知能力实现对任务需求信息和任务自生成系统环境的感知,利用Agent的自主行为决策能力结合感知的信息实现对任务执行流程制定工作的自主管理,在真实应用场景测试中,通过一系列比较实验验证了这种方法在处理速度和准确度方面具有明显优势。

基于双注意力U-Net网络的提高地震分辨率方法

提高地震数据分辨率的传统方法,如反褶积、Q补偿等,受到子波为最小相位、反射系数为白噪声等假定条件的限制且需要求取复杂参数,不便于实际应用。深度学习方法使用数据驱动的方式可以自适应地刻画输入与目标间的关系,具备良好的自主学习能力,但目前基于深度学习提高地震数据分辨率的方法对注意力信息的利用不够全面。因此,提出一种基于双注意力U-Net网络的提高地震数据分辨率方法。首先,在原始U-Net网络中加入改进的通道注意力模块、空间注意力模块和级联残差模块,不仅可以快速学习高、低分辨率数据间的映射关系,还能够合理分配不同通道和空间的权重、充分利用数据间的相关性;然后,使用L1损失和多尺度结构相似性指数损失的组合作为损失函数,提高模型对局部信息变化的敏感度,便于恢复细节信息。模拟数据和实际数据的测试结果表明,该方法提升了地震数据的主频,增加了频带宽度,同相轴变得更清晰,细节纹理信息更丰富,有效提高了地震数据的分辨率。

基于神经正切核的多核学习方法

多核学习方法是一类重要的核学习方法,但大多数多核学习方法存在如下问题:多核学习方法中的基核函数大多选择传统的具有浅层结构的核函数,在处理数据规模大且分布不平坦的问题时表示能力较弱;现有的多核学习方法的泛化误差收敛率大多为O(1/√n),收敛速度较慢。为此,提出了一种基于神经正切核(NTK)的多核学习方法。首先,将具有深层次结构的NTK作为多核学习方法的基核函数,从而增强多核学习方法的表示能力。然后,根据主特征值比例度量证明了一种收敛速率可达O(1/n)的泛化误差界;在此基础上,结合核对齐度量设计了一种全新的多核学习算法。最后,在多个数据集上进行了实验,实验结果表明,相比Adaboost和K近邻(KNN)等分类算法,新提出的多核学习算法具有更高的准确率和更好的表示能力,也验证了所提方法的可行性与有效性。

基于粒子滤波的微地震信号去噪方法

针对微地震信号非高斯、非线性且信号能量较弱等问题,提出一种基于粒子滤波的微地震信号去噪方法。通过建立微地震信号的状态方程,提取原始信号的背景噪声,将其与状态方程之和作为观测方程,联立状态方程与观测方程建立状态空间模型,并通过重要性采样和重采样近似估计后验概率密度,从而求解去噪后的微地震信号,提高微地震信号的去噪效果。在模拟微地震资料和真实微地震资料中的应用表明,与传统去噪方法相比,该方法处理效果更好,去除噪声同时保留有效信号,信噪比得到有效提高,因此具有良好的应用前景。

基于改进涡流搜索算法的支持向量机分类模型

支持向量机(SVM:Support Vector Machine)是定义在特征空间上的间隔最大的线性分类器,参数的选择决定了其学习性能和泛化能力。针对此参数选择问题,采用改进的涡流搜索算法对支持向量机参数进行选择,寻找最优适应度函数。仿真实验表明,改进的涡流搜索算法是一种有效的SVM参数选择方法,有利于跳出局部最小值,其优化性能不低于涡流搜索算法。

神经正切核K-Means聚类

针对K‑Means聚类算法利用均值更新聚类中心,导致聚类结果受样本分布影响的问题,提出了神经正切核K‑Means聚类算法(NTKKM)。首先通过神经正切核(NTK)将输入空间的数据映射到高维特征空间,然后在高维特征空间中进行K‑Means聚类,并采用兼顾簇间与簇内距离的方法更新聚类中心,最后得到聚类结果。在car和breast‑tissue数据集上,对NTKKM聚类算法的准确率、调整兰德系数(ARI)及FM指数这3个评价指标进行统计。实验结果表明,NTKKM聚类算法的聚类效果以及稳定性均优于K‑Means聚类算法和高斯核K‑Means聚类算法。NTKKM聚类算法与传统的K‑Means聚类算法相比,准确率分别提升了14.9%和9.4%,ARI分别提升了9.7%和18.0%,FM指数分别提升了12.0%和12.0%,验证了NTKKM聚类算法良好的聚类性能。

二氧化碳地质封存中盖层力学完整性数值模拟研究综述

要保证CO2稳定封存不逸散,关键是正确评价盖层力学完整性。数值模拟方法能定量分析CO2地质封存中复杂的耦合过程,具有速度快、精度高等显著优点。对CO2地质封存中盖层力学完整性问题的数值模拟研究现状进行了分析总结,对比分析了用于CO2地质封存数值模拟研究的力学本构模型、耦合分析方法及模拟软件,归纳总结了数值模拟在CO2咸水层封存中盖层力学完整性分析方面的研究现状,讨论了当前研究面临的问题和挑战,并指出了未来的研究方向。该研究结论可为CO2地质封存的相关研究提供有益参考。

二进制阿基米德优化算法及其应用

组合优化问题的研究在各个领域中有着广泛的应用意义。阿基米德优化算法是一种新型的元启发式算法,在求解连续空间的优化问题上应用广泛,但不能直接用于求解离散空间的组合优化问题。因此,提出了二进制阿基米德优化算法用以解决组合优化问题。首先,借鉴部分二进制优化算法,选用转换函数,并以位置距离差作为参数进行空间映射。其次,根据问题对编码的要求,在阿基米德优化算法的基础上选取不同的转换函数和sigmoid函数进行位置更新,同时提出了一种对应S型转换函数的sigmoid函数,以提高最优解的搜索效率与质量。最后,引入北极熊算法的出生与死亡规则,以更好地进行全局搜索,减少陷入局部最优解的次数。通过模拟求解0-1背包问题的仿真实验和在热力管道保温结构优化项目中的应用,验证了二进制阿基米德优化算法具有良好的收敛性、稳定性和搜索速度快等特点,且在对编码有要求时使用S型转换函数较V型转换函数具有更好的效果。

基于ZigBee的列车车厢安全警告系统的设计

针对列车监控措施不完善可能存在的安全隐患,为实现车厢内异常情况的及时、准确报警,提出一种基于ZigBee的列车车厢安全警告系统实现方案,设计了总体架构及各节点的软硬件结构,详述了各模块工作流程及实现过程.系统包括传感器节点、ZigBee路由器、协调器、视频模块和智能终端.对声音传感器通过ZigBee路由器采集到的分贝数进行阈值判断处理后发送给协调器,由视频模块对报警车厢内的视频进行人工智能分析,最后将详细报警信息发送至智能终端.系统开发成本低、安装维护方便,完善了列车车厢监控设施,既保证了警告的精度与实时性,又可手动设置阈值、解除警报等,具有较强的可扩展性与可移植性,对提高列车运行中的安全性具有实际意义.

符号网络链接预测算法研究综述

符号网络链接预测包括网络结构上两个节点间未知链接的可能性预测与符号预测两方面,其相关研究对于分析和理解符号网络的拓扑结构、功能及演化行为具有十分重要的意义,在个性化推荐、态度预测、蛋白质交互作用研究等领域有着重大的应用价值。文中综述了符号网络链接预测问题的研究成果,介绍了相关概念、符号网络的理论基础、常用符号网络数据集以及预测精度评价标准;将目前主要的符号网络链接预测算法按照设计思路分为有监督学习与无监督学习两大类,详细阐述了每种算法的主要思想;归纳总结了符号网络链接预测问题的特点和规律,讨论了目前存在的问题并指出了面临的挑战和未来可能的发展方向。这能为信息学、生物学、社会学等领域的相关研究人员提供有益参考。

融合局部与全局紧密度的符号网络链接预测算法

鉴于大多数符号网络预测算法仅能对已有链接缺失的符号进行预测,无法实现未知的链接及其符号预测,提出一种融合局部与全局结构特征定义节点间相似性的符号网络链接预测算法。基于结构平衡理论,利用连接两节点的步长为2和3的路径信息分别定义局部和全局链接紧密度,有效融合两者得到两节点的总相似度,其绝对值度量了链接建立的可能性,其符号即为链接的符号预测结果。在多个经典的符号网络数据集上对算法的有效性和正确性进行了验证,并与符号网络中有代表性的预测算法进行了准确率以及推荐链接的对比分析。结果显示,所提算法在链接预测与符号预测两方面均达到了较好的预测性能。

符号网络中融合聚集系数与符号影响力的链路预测算法

为快速、准确地实现符号社会网络中的链接预测与符号预测双重目标,提出一种融合共同邻居节点的聚集系数与连边符号影响力的链路预测算法.基于结构平衡理论,有效利用节点的度、聚集系数、路径上的中间传输节点、连边符号及其影响力等信息,分别定义了两节点基于一阶共同邻居和二阶共同邻居的相似性,最终得到两节点的总相似性得分,用其绝对值度量两节点建立链接的可能性,通过其符号获得链接的符号预测结果,从而实现符号网络中的链路预测.在6个有代表性的符号网络数据集上进行了实验,以AUC、调整的Precision’、Accuracy等为评价指标,对比了多个符号网络链接预测算法,并进行了可调步长参数的敏感性分析.实验结果表明,所提算法在符号网络链接预测与符号预测两方面均达到了较好的性能,无论是稀疏网络还是负链接预测,准确性均高于其他算法.

智能体自分裂数量最优解的计算方法

提出一种提高超高频高维线性运算能力(UCP)的方法,描述了智能体模仿白细胞的分化抵御现象、计算自分裂最优数量的过程.首先,通过计算时间缩减率筛选和归类影响UCP的重要因素,并以此构建标准宿主环境;其次,模拟微绒毛的逻辑结构设计环境探测器,并讨论不同条件下智能体自分裂最优数量的计算方法;然后,为准确描述宿主环境的线性运算能力,提出一种基于超越数精度计算的评价方法,并分析了不同测试函数对目标基函数的适用度;最后,通过计算准纳米晶体结构内弱互斥力的作用验证了所提出方法在运算时间、资源损耗等方面具有明显改善.

泛集群环境中计算密集型任务流调度策略

针对计算节点较多的泛集群环境下难以快速、合理地制定计算密集型任务流调度方案的问题,提出一种基于多目标连续竞买博弈的任务调度策略.建立多目标优化调度模型,降低多目标优化函数维度,并采用线性加权和法将其转化为总和目标函数,以保证最优解的合理性.为提高最优解搜索速度,引入ETC矩阵作为最优解表达形式,设计连续竞买博弈算法.模拟真实场景并通过与同类算法的对比,表明了调度策略在泛集群环境下的响应速度、资源性价比和总成本支出等方面具有明显优势.