一种新的数据流模糊聚类方法

针对数据流上的聚类任务受到时间、空间限制等问题,该文提出一种基于权值衰减的数据流模糊微簇聚类算法(WDSMC)。该算法使用改进的带权值的模糊C均值算法进行处理,并采用微簇结构和权值时间衰减结构提高聚类质量。实验表明,相对于现有的数据流加权模糊C均值聚类(SWFCM)算法和Stream KM++算法而言,WDSMC算法具有更好的聚类精度。

面向空间信息智能分发的动态化用户偏好模型研究

用户偏好模型的构建方法是制约空间信息智能分发理论取得进展的关键瓶颈。现有的空间信息智能分发算法和系统存在空间范围定位不准确、效用度计算存在偏差等缺陷,且大多关注用户的检索行为对偏好模型的贡献却均未考虑时间因素的影响,也很少注意到用户反馈的作用。鉴于此,对现有文献的理论和算法进行扩展,通过引入区域数、兴趣度、兴趣度密度等概念和算法,以及权值衰减函数和用户信息反馈等动态化因素,使模型能够更为准确、及时地随着用户偏好特征的变化进行修正。试验表明,相较于传统的静态模型而言,该模型能够更为有效地反映用户偏好特征的变化。

面向高速公路抛洒物检测的动态背景建模方法

针对高速公路抛洒物检测中传统的固定背景建模方法容易因开放环境变化产生大量的前景噪声,动态背景建模方法容易因抛洒物的静止特性导致前景对象快速融入背景,提出基于背景分离高斯混合模型(BS-GMM)的动态背景建模方法.该方法对传统高斯混合模型的背景划分和模型匹配方法进行改进,设计基于像素点的高斯分布背景模型权值的衰减状况进行背景建模和背景更新的方法,既能减少开放环境大量环境噪声的影响,也能对抛洒物快速进入静止状态后的准确检测,在计算性能上能够达到实时检测的效果.实验结果证明,BS-GMM方法在抛洒物检测过程中产生的噪声数量比其他方法少,且对静止超过20 s的物体能够作为前景目标提取,因此能够有效地应用于高速公路抛洒物的准确识别.

基于改进编码/解码模型的中英机器翻译方法

针对基于编码/解码的中英文机器翻译收敛速度慢和准确率不高的问题,提出了一种改进的机器翻译模型。该模型采用长短时记忆循环神经网络实现词向量生成,然后在编码阶段利用组嵌入方法提高模型训练效率,最后在解码阶段加入权值衰减因子提高模型翻译准确性。实验结果表明,改进模型能够有效降低机器翻译训练的迭代次数,且具有较高的翻译准确率。

基于稀疏约束深度学习的交通目标跟踪

针对车辆视觉跟踪过程中普遍存在背景复杂、光线变化、尺度旋转等干扰,而现有跟踪算法抗扰动能力差、鲁棒性低的问题,构造了一种基于稀疏约束及深度学习的车辆目标跟踪算法,采用去噪自编码神经网络对包含正负样本的训练集进行特征提取。在正向传播过程中对隐层进行稀疏约束,反向传播微调阶段,对连接矩阵进行权值衰减的稀疏调整,增加神经网络的鲁棒性,实现神经网络不同隐层特征的高效提取,将网络的输出作为Logistics分类器的输入,学习获得车辆分类器,并采用粒子滤波在线跟踪目标。试验结果表明:对连接矩阵和隐层进行稀疏约束的去噪自编码神经网络具有较高的跟踪精度和较强的跟踪鲁棒性,在场景光照剧烈变化、车辆发生遮挡、三维旋转、尺度变化及快速移动时都能进行较好的跟踪,平均中心位置误差远小于对比方法,仅为2.3像素;而增量式学习(IVT)跟踪、在线自适应增强(OAB)跟踪、多示例学习(MIL)跟踪算法的平均中心位置误差分别为17.52像素、28.76像素和17.66像素;该方法的平均重叠率达83%,较IVT跟踪、MIL跟踪和OAB跟踪算法分别提高24.5%、42.2%、28.8%,满足智能交通监控的实际需求。