基于权重估计与混合多标准决策的帕累托最优解筛选

对于多目标优化问题,传统的多标准决策方法在求得帕累托最优解集时就会结束。但在实际问题中,往往需要基于决策者的偏好从解集中选取单一的最优方案。基于该问题,创新性地提出基于最小生成树算法的权重学习方法,用于整合决策者的偏好,并结合层次分析法与消除和选择表达现实法的思想,提出一种混合多标准决策方法,帮助选择最符合要求的帕累托最优解。为了验证该方法的可靠性,基于某地区天然气管网销售多目标模型求得的帕累托最优解数据进行测试与分析,结果表明:该方法选出的帕累托最优解能够很好地契合决策者偏好,并为帕累托前沿的选择提供有效的建议。

基于权重学习的Turbo解码方法

文章介绍一种结合权重学习的Turbo解码器,同时集成了传统的Turbo解码方法Max-Log-MAP,和传统的Max-Log-MAP方法具有相同的复杂度。基于传统的解码方法结合神经网络计算更为精确的权重,可实现误码率更低的解码结果,和传统解码方式Max-Log-MAP进行对比,在加性高斯白噪声(Additive White Gaussian Noise,AWGN)信道上具有更好的解码效果。通过仿真结果证明,该网络的解码误码率比传统的解码方法更小。

混沌量子粒子群的权重类条件贝叶斯网络分类器参数学习

针对贝叶斯网络判别学习方法在处理大数据集时,存在的模型训练时间长、算法迭代次数过多等问题,通过引入指数级参数,提出了混沌量子粒子群的权重类条件贝叶斯网络参数学习方法。该方法首先通过优化对数似然函数,解决生成学习的参数估计问题。然后,使用生成学习的结果,初始化判别学习的参数。最后,引入混沌映射序列,通过混沌量子粒子群优化(chaos quantum particle swarm optimization,CQPSO)算法,优化条件对数似然函数。使用权重类条件贝叶斯网络分类器对液体火箭发动机的故障进行分类,仿真结果表明,改进的方法分类精度高,误分类率低。同时,采用CQPSO与量子粒子群优化(quantum particle swarm optimization,QPSO)算法、标准粒子群优化(particle swarm optimization,PSO)算法相比,能够有效减少算法的迭代次数,提高算法的效率。

面向信息无障碍检测的网页距离权重学习方法

在信息无障碍评估领域中,为了便于预测网页评估结果的相关性,提出一种融合网页特征与URL相似性的网页距离度量方法,并利用部分已知样本评估结果的偏序关系学习出不同特征应分配的权重,从而提升网页距离偏序关系与评估结果偏序关系的相关性。实验结果表明该方法较传统距离度量方法能更好的表征评估结果的偏序关系,使得加权距离越相近的网页,其信息无障碍评估结果越相似。

基于权重学习的图像最大权对集匹配模型

在图匹配模型中权重的设置对匹配性能有很大影响,但直接计算的权重往往不符合匹配图像的实际情况。为此,参照二次分配问题的图匹配学习思想,给出一阶和二阶最大权对集模型的权重学习计算方法。一阶最大权对集模型直接采用图像特征点作为图的顶点,而二阶最大权对集模型则采用某些特征点之间的连接边作为顶点,2个模型都可以通过Kuhn-Munkras算法求解。一阶最大权对集模型在本质上等价于二次分配问题的线性情况。在CMU House数据库上的图像匹配实验结果表明,二阶最大权对集模型优于一阶最大权对集模型,且两者在学习计算时的性能也优于直接计算的情况。

融合注意力机制和多任务学习的机器人抓取检测算法

抓取主要分为抓取检测、轨迹规划和执行环节,准确的抓取检测是完成抓取任务的关键。为进行更准确的抓取检测,提高机器人抓取性能表现,本研究以关键点检测算法为基础,提出了一种融合注意力和多任务学习的抓取检测算法。首先,针对任务特点,在特征提取环节引入CA(coordinate attention)注意力模块,显式的学习通道和空间特征,充分利用特征信息。其次,在损失函数环节加入多任务权重学习算法,学习抓取中心坐标、抓手开合宽度及旋转角度信息的最优权重。最后,在Cornell数据集以及更大规模的Jacquard数据集上进行试验。研究结果表明,所提方法相比滑动窗口和锚框类型等经典方法在检测速率上有明显提升,且与单纯的关键点检测方法相比有更高的准确率,所提模型在两个数据集上分别取得98.8%和95.7%的准确率。检测示例体现出所提模型对于非常规物体也有良好的抓取结果,不同Jaccard系数条件下的抓取结果显示模型在精准抓取方面有优秀性能,而对于权重学习算法的不同初始值试验则表明所提模型具有良好的鲁棒性。此外,通过消融实验分析了不同模块对于模型性能表现的影响程度。

加权核子空间特征提取权重学习方法

特征抽取是模式识别中的一项重要工作,其中特征抽取的子空间方法一直受到研究者的关注,特别是近些年来研究人员提出各种加权子空间方法,但这些权重都是人为设定.为此,提出一种权重自动学习算法,该算法以缩小学习样本到其所属类原型的距离同时增大学习样本到其它类原型的距离为学习目标,在两个方向上调整权值,保证了算法收敛.同时,针对主成分分析及线性判别分析的变形最大边缘准则,重新定义了它们对应的带权协方差矩阵和带权散布矩阵,该定义充分表达了权重的本质含义.在3个公开人脸数据库上的实验室结果显示提出的算法有更好的识别率与更高的稳定性.

基于混沌搜索和权重学习的教与学优化算法及其应用

针对教与学优化算法容易陷入早熟收敛的问题,本研究提出了一种基于混沌搜索和权重学习的教与学优化(teaching-learning-based optimization algorithm based on chaotic search and weighted learning,TLBO-CSWL)算法。在TLBO-CSWL算法的教学阶段,不仅利用权重学习得到的个体来指引种群的进化,而且还使用正态分布随机数来替代原有的均匀随机数。另外,TLBO-CSWL还使用Logistics混沌搜索策略来提高其全局搜索能力。仿真结果表明,TLBO-CSWL的整体优化性能要好于其他所比较的算法。最后,将TLBO-CSWL用于求解非合作博弈纳什均衡问题,获得满意的结果。

基于动态分组和权重学习教与学算法的Otsu图像阈值分割

在实际应用中最大类间方差法(Otsu)的计算量大,算法运行所需时间长。对此在动态分组教与学算法(DGSTLBO)的基础上加入权重学习和极差比较,提出基于动态分组和权重学习的教与学算法(GDSWLTLBO),将DGSWLTLBO与Otsu算法结合提高了图像分割的质量。实验结果表明,该算法有效地降低了运行时间,避免在教学过程陷入局部最优,提高了探索能力与寻优能力,保证了算法的全局收敛性。算法在图像分割的结果优于动态分组的教与学算法、教与学算法、粒子群算法、灰狼算法,在相同误差条件下,时间平均缩短了70%。

集成学习机制下的图像相似度评价方法研究

包含丰富信息的图像数据是重要的数据来源,然而要在海量图像数据中进行高效的信息检索却面临不少挑战。通过图像丰富的语义特征区分对象间的差异,图像结构化后的特征维度会达到一个较高的维度,将面临检索代价高、过拟合等一系列问题。不同算法在处理不同类型语义特征的图像数据时,算法的准确性和稳定性有较大差异。为了提高非特定类别图像相似度评价及检索的准确性,设计一种基于集成学习的图像相似度评价方法。首先,以文献中的图像为重点研究对象,从多个权威文献库中收集并提取了大量的图像样本构建样本集;然后,通过对样本集的学习获得了多种评价方法的学习权重,并以此为基础构建基于权重策略的集成学习机制,以提升图像相似度评价方法的稳定性和准确性;最后,通过在样本集上进行测试验证了评价方法的有效性。

基于权重学习的着色方法

为实现灰度图像的着色,提出一种基于相似关系的着色方法,同时需要用户对图像做颜色标记。权重代表像素之间的一种相似关系,决定了颜色传递的能量大小。为了获得准确的权重信息,提出了权重学习的方法,并建立了从灰度图像特征到彩色图像权重的学习模型。通过训练图像像素间的相似关系,学习到最优权重,再利用学习到的权重将颜色从标记区域扩散到整张图片。实验结果表明,提出的方法能够获得更好的着色效果。

基于加权锚点的多视图聚类算法

大规模多视图聚类旨在解决传统多视图聚类算法中计算速度慢、空间复杂度高,以致无法扩展到大规模数据的问题.其中,基于锚点的多视图聚类方法通过使用整体数据集合的锚点集构建后者对于前者的重构矩阵,利用重构矩阵进行聚类,有效地降低了算法的时间和空间复杂度.然而,现有的方法忽视了锚点之间的差异,均等地看待所有锚点,导致聚类结果受到低质量锚点的限制.为定位更具有判别性的锚点,加强高质量锚点对聚类的影响,提出一种基于加权锚点的大规模多视图聚类算法(Multi-view clustering with weighted anchors,MVC-WA).通过引入自适应锚点加权机制,所提方法在统一框架下确定锚点的权重,进行锚图的构建.同时,为增加锚点的多样性,根据锚点之间的相似度进一步调整锚点的权重.在9个基准数据集上与现有最先进的大规模多视图聚类算法的对比实验结果验证了所提方法的高效性与有效性.

充分搜索多策略花授粉算法在PID参数优化中的应用

PID控制器广泛应用于工业领域,结构简单,控制效果良好,参数对控制器起到了绝对作用。花授粉算法是一种应用广泛的元启发算法,但存在易陷入局部最优、迭代后期收敛速度慢、寻优精度差等不足。用加入随机扰动的反双曲正切函数充分搜索策略的转换概率替换原本的固定概率,平衡全局搜索和局部搜索;在异花授粉中引入新型动态因子,改变母系花粉位置的影响;在自花授粉阶段提出权重学习策略,让花粉向优秀花粉方向聚拢;引入翻筋斗探索策略,加大种群多样性。在此基础上提出充分搜索下多策略花授粉算法(MSFPA),对比分析了花授粉算法(FPA)、粒子群算法(PSO)、差分进化算法(DE)和象群算法(EHO)对9个测试函数的仿真实验,结果表明MSFPA算法收敛速度快,性能更优。将MSFPA算法应用于PID参数优化中,经过优化的系统超调量较小,且调整时间较短,有较强的稳定性。

权重模糊粗糙集的分类规则挖掘算法

针对粗糙集分类规则挖掘算法LEM2剪枝条件过于严格的问题,提出一种权重模糊粗糙集的改进规则挖掘算法。在用例带权重的模糊粗糙集理论框架上分析面向混合数据的分类规则挖掘算法,引入粗糙集模型的近似覆盖参数作为挖掘算法的泛化度量参数,实现对规则集数量和规则形式复杂程度的调节。实验结果表明,与LEM2算法和DataSqueezer算法相比,该算法的平均精度和平均召回率更优,分别为81 %和80 %,且生成规则的平均长度最短。

基于时间跨度注意力机制的多变量时间序列预测方法

在深度学习领域中,多变量时间序列预测的关键是充分捕获其长、短期的依赖。通常的做法是使用卷积神经网络(CNN)来提取多变量时间序列的短期依赖。但是目前的大多数方法都仅仅使用了一种尺寸的卷积核来提取短期依赖,这样就只提取到了一种时间跨度的短期依赖,使得序列的短期依赖关系没有被充分学习到。受多尺度特征提取和通道注意力机制的启发,提出了一种基于时间跨度注意力的神经网络(TSANN)方法,通过充分利用短期依赖来提高多变量时间序列预测的准确度。首先,使用一系列不同大小的卷积核来提取不同时间跨度的短期依赖。然后使用时间跨度注意力将这些特征融合起来并送入循环神经网络(RNN),进一步提取长期特征。另外,与其他方法直接将非线性部分和线性部分的输出相加不同,采用了一个权重学习模块来整合非线性部分和线性部分的输出。在四个基准数据集上进行了实验,结果表明TSANN能有效提高多变量时间序列预测的准确度。

基于二次飞行和随机扰动的改进蝙蝠算法

针对基本蝙蝠算法存在着不易跳出局部寻优、搜索精度低等问题,提出了二次飞行和随机扰动的改进策略.每只蝙蝠对自身位置进行随机扰动后,对上代速度采用自适应学习权重,使蝙蝠能够趋好避坏地进行飞行搜索;为了保证种群多样性,对种群中最差的一部分蝙蝠进行惩罚,舍弃对上代速度的学习,进行二次飞行搜索,提高算法的全局搜索能力.通过对七个典型不同类型的基准函数进行实验测试,结果表明了改进策略对算法的优化精度和全局搜索能力有很大的提高,使改进的算法拥有更好的的收敛速度和寻优精度.

基于深度神经网络的数据驱动潮流计算异常误差改进策略

在考虑不确定性的N-1安全校核、可靠性计算等需大规模重复潮流计算的场景中,基于深度神经网络(DNN)的数据驱动方法存在部分潮流变量误差异常的问题,影响潮流越限判别的准确率。对此,首先通过理论推导,分析DNN参数更新过程及数据标准化原理,发现该问题的重要成因之一为:DNN仅根据标准化误差迭代训练模型,未计及潮流变量的真实学习误差及工程实际的精度要求,无法及时针对误差异常的潮流变量调整DNN参数。然后,面向潮流计算提出基于动态学习权重的DNN自适应训练方法。该方法通过每轮迭代中验证集的真实学习误差、越限误判率及误差统计指标,确定各潮流变量的学习权重,有效降低数据驱动潮流计算的异常误差。最后,在IEEE标准算例和Polish 2383节点系统上仿真验证了所提方法的有效性。

马尔可夫逻辑网络研究

马尔可夫逻辑网络是将马尔可夫网络与一阶逻辑相结合的一种统计关系学习模型,在自然语言处理、复杂网络、信息抽取等领域都有重要的应用前景.较为全面、深入地总结了马尔可夫逻辑网络的理论模型、推理、权重和结构学习,最后指出了马尔可夫逻辑网络未来的主要研究方向.

基于特征词的垃圾短信分类器模型

针对垃圾短信分类问题,提出一种计算词分类权重的方法,并以此为基础通过降维来得到分类特征词集合。提出了短信分类隶属度概念,通过计算短信分类隶属度和分类隶属度密度的方法来实现分类。为了提高分类的准确性,还对特征词进行了分类权重的迭代学习,从而保证了词分类权重取值的合理性。实验结果表明,该分类模型具有良好的分类效果和较低的时间复杂度。

面向5G边缘计算的Kubernetes资源调度策略

容器云是5G边缘计算的重要支撑技术,5G的大带宽、低时延和大连接三大特性给边缘计算带来较大的资源压力,容器云编排器Kubernetes仅采集Node剩余CPU和内存两大资源指标,并运用统一的权重值计算Node优先级作为调度依据,该机制无法适应边缘计算场景下精细化的资源调度需求。面向5G边缘计算的资源调度场景,通过扩展Kubernetes资源调度评价指标,并增加带宽、磁盘两种评价指标进行节点的过滤和选择,提出一种基于资源利用率进行指标权重自学习的调度机制WSLB。根据运行过程中的资源利用率动态计算该应用的资源权重集合,使其能够随着应用流量的大小进行自适应动态调整,利用动态学习得到的资源权重集合来计算候选Node的优先级,并选择优先级最高的Node进行部署。实验结果表明,与Kubernetes原生调度策略相比,WSLB考虑了边缘应用的带宽、磁盘需求,避免了将应用部署到带宽、磁盘资源已饱和的Node,在大负荷与异构请求场景下可使集群资源的均衡度提升10%,资源综合利用率提升2%。