基于改进多目标粒子群算法的机器人路径规划

为了使多目标粒子群算法在机器人路径规划中能够快速地寻找到最优路径,针对粒子种群算法在局部最优时较差的搜索能力和种群粒子较差的收敛速度,提出了一种改进型多目标粒子群算法。该算法根据粒子群之间的信息传递机制,采用SPEA2中的环境选择和配对选择策略使种群粒子快速地收敛于帕累托最优边界,采用自适应原理来改变对速度权重的计算方法以此来平衡算法的全局搜索能力与局部搜索能力。通过经典测试函数实验仿真验证和机器人路径规划的应用实践,结果表明,算法的改进不仅使算法更容易跳出局部最优而且使算法的收敛速度和种群粒子的收敛速度有了很大的提升,也使得算法在机器人路径规划中能够更快速地寻找到最优路径。

基于局部搜索的改进SPEA2算法

由于追求收敛速度与防止陷入局部最优,标准的改进强度Pareto算法(SPEA2)过于注重全局搜索能力,从而导致局部搜索能力不足。为了增强SPEA2算法的局部搜索性能,进而提高算法收敛速度,提出了一种基于局部搜索的改进SPEA2算法。该算法单独设置一个新外部存档集以保存局部搜索后的非支配集,并且改进了交叉算子,加入了部分个体更新策略。将该改进算法与SPEA2算法进行了收敛性能比较实验。仿真实验结果表明,相比于标准算法,改进SPEA2算法不仅可以保证收敛到多目标优化问题的Pareto最优边界,而且在收敛能力上也得到了较好的改善。

基于深度极限学习机的卫星云图云量计算

卫星云图云量计算是卫星气象应用的基础,现阶段对其的研究未能充分利用卫星云图的特征,导致云检测及云量计算的效果不好。针对该问题,利用多层神经网络进行卫星云图的特征提取,并通过大量实验寻找到最优的深度学习的网络结构。基于度极限学习机对卫星云图的云进行检测和分类,再利用"空间相关法"计算云图中的总云量。实验结果表明,基于传统极限学习机的深度极限学习机能够充分提取云图的特征,在进行云分类时能够较清晰地区分厚云和薄云间的界限。相比于传统阈值法、极限学习机模型以及卷积神经网络,深度极限学习机的云识别率以及云量计算准确率更高,且所提方法比卷积神经网络的效率更高。

四旋翼飞行器姿态与高度控制器的设计

由于微型飞行器(micro aerial vehicles,简称MAVS)能够在人类难以接近的地方收集情报,因此,其吸引了越来越多的关注.以四旋翼飞行器为平台,以实现飞行器姿态和高度控制为目的进行研究.在姿态控制上,采用一种不依赖于具体模型的记忆控制方法设计控制器.在高度控制上,采用一种线性二次高斯(linear quadratic Gaussian,简称LQG)控制方法设计控制器.实际飞行结果表明,设计的控制器具有良好的稳定性和跟踪性.

自适应种群更新策略的多目标粒子群算法

针对粒子种群较差的局部搜索能力,提出了一种自适应种群更新策略的多目标粒子群算法。该算法在每次种群进行迭代时,根据种群的多样性测度以及每个粒子的适应度值,自适应地改变速度权重,以此来提高种群粒子在局部搜索时的活性,使算法具有较强的局部搜索能力同时又保留了足够的全局搜索能力。最后利用多组经典测试样例进行仿真,并与传统的粒子群算法以及速度线性衰减算法做比较,在单目标优化中,自适应粒子群算法能够更快地寻找最优位置;在多目标优化中,自适应粒子群算法能够更快速地收敛于帕累托最优边界。

基于多维多粒度级联森林的高原地区云雪分类

针对传统算法如支持向量机(SVM)、随机森林不能充分利用卫星图像的纹理特征和光学参数的问题,提出一种基于多维多粒度级联森林(M-gc Forest)的方法进行准确又快速的云雪识别。首先,根据单光谱和多光谱图像之间的差异性,选择SVM、随机森林、卷积神经网络(CNN)、多粒度级联森林(gc Forest)在单光谱卫星图像上进行云雪识别;然后,通过定量分析各算法在单光谱图像上的性能,选择CNN和M-gc Forest进行多光谱云雪识别;最后,利用改进的M-gc Forest对HJ-1A/1B多光谱卫星图像进行预测。实验结果表明,与CNN相比,M-gc Forest在多光谱数据集上的测试准确率提升了0.32%,训练耗时减少了91.2%,测试耗时减少了53.7%。因此,该算法在实时而准确的雪灾监测任务中具有实用性。

基于改进SPEA2算法的机器人路径规划研究

移动机器人的工作环境复杂且多变,决定了路径规划在移动机器人研究中的重要地位。传统的求解方法均无法同时优化多个目标且各自存在缺点,而SPEA2算法则非常适合求解存在多个优化目标的机器人路径规划问题,具有参数少、解集分布均匀的优点。但同时也存在早熟收敛和收敛速度慢的问题,从而影响了路径规划效率。针对上述缺陷,对SPEA2算法加以改进,提出了采用种群多样性的自适应遗传概率调整公式,并且加入修复和平滑算子以提高路径规划效果。仿真结果表明,改进算法相比于经典SPEA2在收敛能力上有了较大的提高,得到的机器人行走路径也非常理想,为机器人路径规划的优化提供了参考。

基于免疫学的错误识别分类系统

免疫系统自身具有许多重要的特性,例如:自适应性、鲁棒性、记忆性以及分布式特性等等。这些特性提供给研究人员很多设计新型错误识别分类系统的灵感。在免疫学的基础上提出了一种新型的错误识别分类系统,可以动态的检测和划分受测系统的错误类型。此种错误识别分类系统具有在线学习能力,同时它的分布式特性又可以保证其对特称相似的错误类型进行正确识别和分类。除此之外,此系统还可以在过程中不断自我优化其准确率。最后的计算机模拟证实了这种基于免疫系统的错误识别系统可以很好的识别和分类一种复杂的"香蕉型"错误。

关于卫星气象云图准确检测的仿真研究

利用卫星云图进行气象应用研究,首先要对卫星云图解译,而云图检测分类是气象卫星云图解译的核心。对气象云图准确检测的准确率高低直接影响到后续的大气科学研究和气象预测应用,而传统的浅层学习分类算法用于卫星气象云图检测分类时,不能很好的对卫星光学参数和卫星云图进行特征表示,容易造成处理规模过大、分析过程复杂以及陷入局部极小值等问题,导致了云图检测不准确,云类别的误检率很高。而深度神经网络对学习样本数量要求较高,并且检测速度慢,在分类速度和分类精度上无法满足气象研究和应用需求。针对这些问题,利用优化过的多粒度级联森林对卫星云图进行检测,能充分的对云图进行特征表示,并且具有很好的泛化性能。在对中国HJ-1A/B卫星云图的实验结果表明,采用基于多粒度级联森林方法对卫星云图进行检测,可以很好的提取云图特征,并且能够进行较好的小样本学习。而且多粒度级联森林方法检测速度快,云图分类时厚云和薄云之间的过渡区域清晰,而且相比传统阈值法、卷积神经网络模型及深度极限学习机模型的云图识别准确率更高。

基于环境选择和配对选择的多目标粒子群算法

为了使多目标粒子群算法中种群粒子能够快速地收敛于帕累托最优边界,针对标准多目标粒子群算法中缺乏粒子评价标准以及种群个体历史最优值位置和全局最优值位置选择问题,提出了一种基于环境选择和配对选择策略的多目标粒子群算法。该算法在每次迭代时,采用SPEA2中的环境选择和配对选择策略及适应度值计算方法,以此来提高种群粒子之间的信息交换力度,减少标准多目标粒子群算法中大量的随机性,使种群粒子能够更快速地收敛于帕累托最优边界。经典测试函数的仿真实验结果表明,在标准多目标粒子群算法中运用SPEA2的环境选择、配对选择策略和适应度值计算方法,能够使种群粒子更快速地收敛于帕累托最优边界,验证了算法改进的可行性和有效性。

基于神经元协同激励的稳定时间可控情景记忆

情景记忆(Episodic memory)被认为是学习与记忆、感觉信号的加工和处理等认知功能的一个重要表现。在大脑的运行过程中,模式的稳定时间是可变化的。为了更好的模仿真实大脑在情景记忆过程中的状态,提出了一种基于神经元协同激励的不同模式的稳定时间不同的情景记忆模型。在本模型当中,模式和输入模式之间的相似性控制模式的稳定时间,相似度和模式稳定时间成正相关。同时,神经元协同激励情景记忆存储容量比传统的情景记忆模型得到明显的提高,并且存储容量和网络规模成指数比例关系。

基于密集连接空洞卷积神经网络的青藏地区云雪图像分类

为了提高高纬度地区云雪卫星图像的识别准确率,提出了密集连接空洞卷积神经网络与空洞卷积相结合的方法进行云雪卫星图像识别研究;该方法首先采用常规卷积层对图像进行处理得到特征图,然后采用多个密集块和过渡层对特征图进行处理;其中,密集块中采用跨层连接的方式实现了网络中所用层的特征传递,使得大量云雪特征得到重用,同时减轻了训练过程中的梯度消失问题;密集块中的卷积核采用空洞卷积,在减少参数量的同时扩大局部感受野,对云雪的光谱信息进行特征提取;最后,该方法采用平均全局池化层与全连接层得到云雪图像的预测结果;实验结果表明,与其他机器学习方法相比,该方法能够提高卫星云雪图像的识别准确率,具有良好的泛化能力。

多尺度输入3D卷积融合双流模型的行为识别方法

基于视频的行为识别技术在计算机视觉领域有广泛的应用.针对当前存在的网络模型不能有效结合视频数据中的时空信息,并且缺乏对不同尺度数据之间的融合信息进行考虑等问题,提出一种结合双流网络以及3D卷积神经网络的多尺度输入3D卷积融合双流模型.首先利用2D残差网以及多尺度输入3D卷积融合网络获取视频中的时空维度信息;然后将2层网络得到的实验结果进行决策相加,有效地提升网络对视频中时空特征提取的能力;最后通过在多尺度输入3D卷积融合网络对不同尺度的数据进行不同策略的融合,提高了网络对不同尺度数据的泛化能力.实验结果表明,文中模型在数据集UCF-101以及HMDB-51的识别准确率分别为90.5%与66.3%;相比于其他方法,该模型能取得更高的识别精度,体现出文中方法的优越性与鲁棒性.

基于深度卷积长短时神经网络的视频帧预测

针对视频帧预测中难以准确预测空间结构信息细节的问题,通过对卷积长短时记忆(LSTM)神经网络的改进,提出了一种深度卷积长短时神经网络的方法。首先,将输入序列图像输入到两个不同通道的深度卷积LSTM网络组成的编码网络中,由编码网络学习输入序列图像的位置信息变化特征和空间结构信息变化特征;然后,将学习到的变化特征输入到与编码网络通道数对应的解码网络中,由解码网络输出预测的下一张图;最后,将这张图输入回解码网络中,预测接下来的一张图,循环预先设定的次后输出全部的预测图。与卷积LSTM神经网络相比,在Moving-MNIST数据集上的实验中,相同训练步数下所提方法不仅保留了位置信息预测准确的特点,而且空间结构信息细节表征能力更强。同时,将卷积门控循环单元(GRU)神经网络的卷积层加深后,该方法在空间结构信息细节表征上也取得了提升,检验了该方法思想的通用性。

多注意力机制网络卫星图像分割算法

针对深度学习的语义分割法,在卫星图像分割中对半岛、小岛和湖泊细小支流的边缘信息提取丢失问题,提出了多注意力机制网络(MA-Net)卫星图像分割算法,弥补了边缘信息提取丢失问题。该算法的框架采用了端到端的对称结构,由编码和解码两部分组成。编码部分采用改进的VGG16网络提取湖泊的纹理特征,解码部分引入全局平均池化注意力融合机制(GPA),能够有效融合编码部分提取的纹理特征,得到高分辨率的卫星图像特征图。在网络的输出端加入注意力机制模块(Attention),充分提取湖泊边缘信息,有效分割出半岛、小岛和湖泊细小支流。实验结果表明,该模型相比现有语义分割算法,具有更好的分割精度,各项分割指标都有提升,并且在公共数据集City Scapes上验证了模型具有通用性。

基于多头注意力卷积网络的电力负荷预测

预测居民用电相当于预测一个多元时间序列.针对多个传感器信号的特定窗口能够利用预测模型提取不同的特征来预测用电量.然而,由于时间序列内部特征存在着不规则的模式,包括电力属性之间隐藏的相关性,使得负荷预测准确率不高.为了提取复杂的不规则电力模式,选择性地学习时空特征以减少电力属性间的平移方差,本文提出了一种基于多头注意力的卷积循环神经网络深度学习模型.相较于单纯的时间序列模型,该模型利用卷积和加权机制对电力属性和有功功率间的局部相关性进行建模.它利用softmax函数和点积运算的注意力分数来模拟电力需求的瞬态和脉冲特性,有效地对瞬时脉冲功耗进行预测.在美国加州大学欧文分校(University of California,Irvine,UCI)家庭用电数据集共2075259个时间序列上的实验表明,所提出的模型与现有方法相比,准确率得到了较大提升.