Size Biased Lindley Distribution and Its Properties a Special Case of Weighted Distribution

The purpose of this paper is to introduce a size biased Lindley distribution which is a special case of weighted distributions. Weighted distributions have practical significance where some types of biased occur in a density function, i.e. probability is proportional to the size of the variate, that’s why the proposed version of size biased Lindley is designed for such situations more reasonably and more precisely. Principle properties of the density function are also discussed in this paper such as moments, measure of skewness, kurtosis, moment generating function, characteristics generating function, coefficient of variation, survival function and hazard function which are derived for understanding the structure of the proposed distribution more briefly.

基于有偏采样的连续进化神经架构搜索

由于需要对每一个搜索到的架构进行独立的性能评估,神经架构搜索(NAS)往往需要耗费大量的时间和计算资源。提出一种基于有偏采样的连续进化NAS方法(OEvNAS)。OEvNAS在架构搜索过程中维护一个超网络,搜索空间中所有的神经网络架构都是该超网络的子网络。在演化计算的每一代对超网络进行少量的训练,子网络直接继承超网络的权重进行性能评估而无需重新训练。为提高超网络的预测性能,提出一种基于有偏采样的超网络训练策略,以更大的概率训练表现优异的网络,在减少权重耦合的同时提高训练效率。此外,设计一种新颖的交叉变异策略来提高算法的全局探索能力。在NATS-Bench和可微分架构搜索(DARTS)两个搜索空间上验证OEvNAS的性能。实验结果表明,OEvNAS的性能超越了对比的主流算法。在NATS-Bench搜索空间上,提出的超网络训练策略在CIFAR-10、CIFAR-100和ImageNet16-200上均取得了优异的预测性能;在DARTS搜索空间上,搜索到的最优神经网络架构在CIFAR-10和CIFAR-100上分别取得了97.67%和83.79%的分类精度。

BP神经网络权重和阈值初始化方法研究

针对Nguyen-Widrow算法生成的BP神经网络模型的初始化权重和阈值相关性较大,并因此影响BP神经网络模型的函数逼近性能的问题,在原初始化方法的基础上,提出了3种权重和阈值初始化改进方法.实验结果表明,改进初始化方法能够有效地提高BP神经网络模型的预测精度.

模糊综合评判在水源判别应用中对权重确定的探讨

针对应用模糊综合评判方法解决水源判别常用的“超标加权法”确定评判因素权重系数方面存在的不足和局限,提出了更加适合于水源判别的权重系数确定方法——“偏标加权法”,并通过实例验证了该方法的合理、实用性。

融合局部特征与两阶段注意力权重学习的面部表情识别

面部的局部细节信息在面部表情识别中扮演重要角色,然而现有的方法大多只关注面部表情的高层语义信息而忽略了局部面部区域的细粒度信息。针对这一问题,提出一种融合局部特征与两阶段注意力权重学习的深度卷积神经网络FLF-TAWL(deep convolutional neural network fusing local feature and two-stage attention weight learning),它能自适应地捕捉重要的面部区域从而提升面部表情识别的有效性。该FLF-TAWL由双分支框架构成,一个分支从图像块中提取局部特征,另一个分支从整个表情图像中提取全局特征。首先提出了两阶段注意力权重学习策略,第一阶段粗略学习全局和局部特征的重要性权重,第二阶段进一步细化注意力权重,并将局部和全局特征进行融合;其次,采用一种区域偏向损失函数鼓励最重要的区域以获得较高的注意力权重。在FERPlus、Cohn-Kanada(CK+)以及JAFFE三个数据集上进行了广泛实验,分别获得90.92%、98.90%、97.39%的准确率,实验结果验证了FLF-TAWL模型的有效性和可行性。

基于背景的加权关联规则挖掘方法

在时间越近越重要原则指导下,对记录进行时间加权,通过给出加权的公式,提出了一种基于背景的加权关联规则挖掘方法。该算法可以针对用户感兴趣的时间-地点背景进行关联规则挖掘。相比传统挖掘方法,该方法通过从低层次到高层次概念的序列映射,可以分析出不同粒度层次的相关信息,有利于决策者做出更准确的决策分析,制定更优的策略。

基于SRUKF-WN的传感器系统偏差估计算法

针对系统偏差模型难以构建和保证状态协方差半正定性的问题,提出了平方根无迹卡尔曼滤波(SRUKF)和权值网络(WN)相结合的系统偏差估计算法(SRUKF-WN算法)。首先,构造了包含WN的网络连接权值、系统偏差以及目标量测在内的WN系统偏差估计模型;其次,建立了SRUKF-WN算法状态空间模型,通过SRUKF算法估计最优的网络连接权值;最后,将最优网络连接权值估计值用于WN,进而得到最优系统偏差估计值,并用其配准传感器的量测。仿真结果表明,该SRUKF-WN算法具有较快收敛性、较短算法耗时以及较高的算法精度。

全局减方差方法的HBR-2基准题应用

对于深穿透类型的屏蔽问题,在合理的时间内计算得到可信的结果对于蒙特卡罗(MC)方法是一个巨大的挑战。基于离散纵标(S_N)方法的局部和全局减方差方法能有效降低MC计算深穿透问题的计数误差。本文基于HBR-2基准题比较了全局减方差方法和局部减方差方法的计算效率。结果表明,对于HBR-2基准题,局部和全局减方差方法均取得了较好的结果。全局减方差方法1次计算即可同时优化辐照监督管和堆外探测器的计数,因此实际应用更加方便和高效。

基于改进LPP的头部姿态估计方法

针对无监督局部保持投影算法在头部姿态估计上的高误差性和对噪音的敏感性的问题,提出一种鲁棒的局部保持投影算法。其基本出发点是先对训练的头部姿态加以姿态标注,并获得各个头部姿态间的偏置距离,再对所有头部姿态样本点进行异常值的度量,训练出较好的线性映射矩阵。实验结果表明,改进的方法比传统的LPP在头部姿态估计上取得较好的效果。

基于偏标加权法模糊综合评判的矿井涌水水源分析

白龙煤矿一采区右翼480m水平,开采10#、11#煤层。该区域内煤层底板标高为470m～520m,大部分区域低于K2含水层水位(519.5m)及O2f含水层水位(520m),为带压开采。由于K2和O2f含水层在水质、静水位等指标上很接近,不能快速准确区分。因此采掘工作面揭露构造出水后,快速准确地识别突水水源是矿井水害治理过程中最基础且必要的工作。通过对10-108工作面历次涌(突)水进行现场采样化验取得水化学指标,选择K++Na,Ca2+,Mg2+,Fe3+,NH4+,SO42-,HCO3-,NO3-,NO2-共9种化学成分做为评价指标,采用偏标加权法确定权重的模糊综合评判模型,对采掘工作面的涌(突)水水源进行快速识别,分析结果与巷道实际揭露后情况一致,表明该方法是较为有效的。

CAP1400安全壳内辐射场计算

采用蒙特卡罗(MC)方法直接计算深穿透屏蔽问题并在合理的时间内得到可信的结果是非常困难的。基于离散纵标(SN)的减方差方法采用源偏倚和权窗技巧能够有效降低MC方法计算深穿透问题的计数误差。为了一次计算同时优化不同位置的计数,本文研究了基于SN的全局减方差方法,在CAP1400安全壳内辐射场分布计算中进行了应用。数值结果表明,该方法取得了良好的全局减方差效果,可用于复杂几何深穿透问题。

逐差加权法在水源判别中的应用

根据各含水层的水样化学资料,针对应用模糊综合评判方法解决水源判别常用的"超标加权法"和"偏标加权法"确定评判因素权重系数方面存在的不足,提出了更加适合于水源判别的权重系数确定方法——"逐差加权法",建立矿井突水水源判别模型,并通过与这两种方法对比,效果较好。

基于共轭离散纵标的减方差方法

对于深穿透类型的屏蔽计算,为了得到较为可信的统计结果,蒙特卡罗方法(MC方法)需要模拟大量的粒子,巨大的计算时间是其存在的主要问题。源偏倚和权窗技巧能够有效降低深穿透问题的计数误差。开展了基于共轭离散纵标(SN)的MC减方差方法研究,根据SN方法的共轭注量率计算并生成了源偏倚和权窗参数,编写了JMCT程序的源抽样子程序,并且在秦山一期测量值基础上进行了验证,成功应用到CAP1400压力容器快中子注量率和堆腔中子和光子剂量率计算中。数值结果表明,对于深穿透屏蔽计算问题,和无偏的MC方法相比,基于共轭SN的MC减方差方法能够在保证结果精度的前提下,提高计算效率1~2个量级。

一种融合优化选择策略的差分粒子群算法

针对粒子群算法进化后期种群多样性减少以及差分粒子群算法出现信息交流误差的问题,提出了一种融合优化选择策略的差分粒子群算法。首先构建了一个用于计算系统偏差的权值网络;其次,引入优化选择策略机制,使用适应度函数作为评价标准;最后,利用系统偏差估计值配准目标传感器量测。在种群多样性和适应度测试中,这种算法种群多样性更加丰富,最优个体适应度值为2.0194×10^(-5);在非机动目标与机动目标测试中,这种算法在大约2 s之后就迅速收敛于真实偏差值附近,收敛时长最短为201.8 s,均方根误差值降低了10%以上。实验结果表明,该算法不仅有效地提高了种群的多样性,而且收敛速度和精度也有了较大的提升。

基于NECP-MCX的蒙特卡罗-确定论耦合及权窗网格粗化方法研究

对于屏蔽计算的深穿透问题,由于仅有少量粒子能够穿透屏蔽层到达计数区,所以计算效率极低。为解决该问题,基于一致性共轭驱动重要性抽样方法研究了蒙特卡罗-确定论耦合方法(简称耦合方法)。本研究实现的耦合方法可以基于蒙特卡罗的组合实体几何建模,自动生成确定论SN计算所需的输入参数,利用SN共轭计算生成一致的源偏倚和权窗参数,提供给蒙特卡罗方法正向计算使用。同时耦合方法使用的基于网格的权窗在大规模问题中会遇到内存瓶颈,本文基于贡献因子理论,研究了自动网格粗化方法。新开发了嵌套网格的结构用于网格粗化,以节省权窗占用的内存,同时不影响权窗的效果。基于NECP-MCX程序实现了耦合方法和网格粗化方法。数值结果表明,对于HBR-2基准题,相比于MCNP程序的权窗自动生成方法,耦合方法的品质因子最高提高了2个数量级。在不影响计算精度和效率的前提下,可以将权窗网格最多减少为原来的1/226。

S_N共轭函数用于蒙特卡罗粒子输运自动减方差的研究

基于SN输运计算平台ARES编制了三维共轭输运计算模块,根据一致性共轭驱动重要性抽样方法自动生成减方差参数,用于加速MCNP5计算.数值结果表明,自动生成的减方差参数可有效提高蒙特卡罗计算效率,并保证结果无偏.自动减方差技术利用SN共轭函数可更经济准确的估计粒子重要性,避免手动估算减方差参数的复杂工作,对于复杂屏蔽问题的蒙特卡罗计算具有较好的应用前景.

三维离散纵标和蒙特卡洛混合方法研究

对于深穿透类型的屏蔽计算,为了得到较为可信的统计结果,蒙特卡洛(MC)方法需要模拟大量的粒子,巨大的计算时间是其存在的主要问题。源偏倚和权窗技巧能够有效地降低深穿透问题的计数误差。本文开展了三维离散纵标(SN)方法-MC混合方法研究,根据SN方法的共轭注量率计算并生成了源偏倚和权窗参数,编写了MCNP程序的源抽样子程序,并且在秦山核电厂一期测量值基础上进行了验证,成功应用到CAP1400反应堆压力容器快中子注量率计算中。数值结果表明,对于深穿透屏蔽计算问题,和无偏的MC方法相比,三维SN-MC混合方法能够在保证结果精度的前提下,提高计算效率1~2个数量级。