基于低秩稀疏表示的加权增量目标跟踪算法

现实中目标物体所处背景往往受到遮挡、光照变化等复杂环境的影响,容易导致跟踪漂移。为提高目标跟踪的精确度,以加权增量主成分分析算法为模板更新机制,提出一种新的目标跟踪算法。通过主成分分析基向量模板和平方模板对变化的目标外观进行线性表示,把目标跟踪问题视为低秩稀疏优化问题,求解低秩稀疏解,得到候选目标重构系数,将基于重构误差后验概率最小的跟踪目标作为当前跟踪结果,并在增量主成分分析算法更新基向量模板过程中,对每个跟踪目标进行加权,从而有效抑制低质量目标样本的影响。实验结果表明,与增量视觉跟踪算法、最小软阈值跟踪算法等相比,该算法在复杂环境的目标跟踪中具有较好的鲁棒性。

基于增量加权的不平衡漂移数据流分类算法

概念漂移是数据流学习领域中的一个难点问题,同时数据流中存在的类不平衡问题也会严重影响算法的分类性能。针对概念漂移和类不平衡的联合问题,在基于数据块集成的方法上引入在线更新机制,结合重采样和遗忘机制提出了一种增量加权集成的不平衡数据流分类方法(incremental weighted ensemble for imbalance learning,IWEIL)。该方法以集成框架为基础,利用基于可变大小窗口的遗忘机制确定基分类器对窗口内最近若干实例的分类性能,并计算基分类器的权重,随着新实例的逐个到达,在线更新IWEIL中每个基分器及其权重。同时,使用改进的自适应最近邻SMOTE方法生成符合新概念的新少数类实例以解决数据流中类不平衡问题。在人工数据集和真实数据集上进行实验,结果表明,相比于DWMIL算法,IWEIL在HyperPlane数据集上的G-mean和recall指标分别提升了5.77%和6.28%,在Electricity数据集上两个指标分别提升了3.25%和6.47%。最后,IWEIL在安卓应用检测问题上表现良好。

加权模块度增量引导下的层次社区发现算法

模块度优化层次社区发现算法可以快速挖掘网络中不同密度的社区,对研究网络的功能和演化机制具有重要意义.然而,由于在迭代过程中仅合并模块度增量最大的社区,其收敛速度受到了制约;此外,在社区合并过程中过度强调社区之间的连接强度而忽略了社区之间的相似性,其划分结果的准确度也受到了制约.针对以上问题,提出了加权模块度增量引导下的层次社区发现算法.该算法引入了社区相似度权重,并结合模块度增量构建加权模块度增量,通过优化加权模块度增量划分层次社区;同时,在社区划分过程中引入可调合并阈值,动态调整每轮迭代中合并的社区数量,以优化算法的收敛速度.在不同规模的真实数据集和人工数据集上的实验结果验证了本文方法的正确性和有效性.

功能分析与成果评价的加权价值增量指标体系

本文在重新定义功能单元在改进前后的六种系数基础上，建立了单元的功能、成本与总加权价值增量等一整套全面的功能与成果评价指标的计算方法，推出了功能评价与改进决策的排序原则，改进了现行不够合理和全面的功能评价方法．

基于增量位移模式的施工期坝基综合变模反分析

本文从实用角度出发,论述利用大型通用软件MSC.Marc及其用户子程序实现初始地应力场施加的方法,在此基础上模拟坝基岩体的开挖;考虑到开挖施工过程的影响,提出基于增量位移模式的加权逆解反分析计算方法;以小湾拱坝为工程实例,建立模拟坝基开挖的有限元模型,反演该坝基综合变形模量,获得坝基的初始变形场,为后期模拟小湾坝体浇筑加载过程奠定基础;最后还与遗传优化算法计算结果作了对比。计算结果表明,文中提出的方法方便简洁,结果合理,具有较强的实用性。

基于联邦学习的自助取货机远程下单数据共享方法

研究了基于联邦学习的自助取货机远程下单数据共享方法。精准有效共享自助取货机各端口运营中的下单数据,为有效分析各端口营销差异、保障其合理运营提供依据。运用自编码神经网络改进基础联邦学习模型,获得半监督联邦学习模型,结合增量加权训练该模型后,运用训练后的半监督联邦学习模型共享各自助取货机端口的远程下单数据。结果显示,该方法可有效共享各远程自助取货机端口的下单数据,依据共享数据可有效分析出各端口不同时段的畅销品类;当共享中存在无标记数据端口,且通信轮数较低时,该方法的共享精度略受影响,而通信轮数到达一定数量后,该方法的共享精度稳定不受此因素干扰;当共享中存在端口新增下单数据时,新增的下单数据量对该方法的共享精度几乎无影响。

Self-normalized moderate deviations for independent random variables

Let X1,X2,... be a sequence of independent random variables （r.v.s） belonging to the domain of attraction of a normal or stable law. In this paper, we study moderate deviations for the self-normalized sum n X ∑^n_i=1Xi/Vm,p ,where Vn,p （∑^n_i=1｜Xi｜p）^1/p （P 〉 1）.Applications to the self-normalized law of the iteratedlogarithm, Studentized increments of partial sums, t-statistic, and weighted sum of independent and identically distributed （i.i.d.） r.v.s are considered.