一种新的截断混合谱共轭梯度法

共轭梯度法具有储存小、计算快的优点,对于解决大规模问题具有比较明显的优点.本文基于PRP类的参数类型,修正了HS参数,同时为了保证算法既有较好的数值效果,又具有FR类好的收敛性质,对此设计了一种截断混合共轭参数,在此基础上设计了新的谱共轭参数.并用强Wolfe线搜索条件证明了该算法具有全局收敛性.最后通过对CUTEr测试集里面的问题进行数值实验,结果发现该算法相比其他三类方法,具有较好的数值效果.

窥视孔连接的循环网络在中文分词上的研究

长短期记忆网络(LSTM)可以捕捉潜在的长距离依赖关系,已被广泛应用于中文分词模型。为进一步提高其分词效果,针对记忆单元因结构问题在处理序列时错误遗忘关键信息的情况,引入了窥视孔连接(peepholes)重新构建分词模型。为优化长距离依赖,使用了梯度截断、引导信息流正则化等手段。通过构建多种网络结构的分词模型在当下流行数据集上的分词实验,以此构建的双向循环网络结果表明:窥视孔连接的记忆单元比原记忆单元更有效的获取了待分类字符的上下文特征,有效地改善了LSTM部分信息缺失的情况,增强了网络的记忆能力,提高了模型分词性能。

求解非线性系统的有效集信赖域方法

该文给出了一个求解非线性系统的信赖域方法．主要思想是通过引入松弛变量,将问题等价地转化为带非负约束的最优化问题．作者利用有效集策略,在每次迭代中只需求解一个低维的信赖域子问题,该信赖域子问题是通过截断共轭梯度法来近似求解的．在较弱的条件下, 获得了一个更一般的收敛性结果．

基于级联SSD的目标检测算法

针对原始SSD算法对小目标检测效果差而现有改进算法DSSD以及RSSD等检测速度太慢的问题,提出一种基于级联SSD的目标检测算法。在训练时基于Focal Loss和Truncated Gradient改进分类损失函数,增强初始检测效果。在检测时设计小目标强化检测模块与SSD网络级联,单独提取小目标区域对应的高层特征来检测小目标,有效增强对小目标的检测效果。实验结果表明,在PASCAL VOC 2007数据集上,与目标检测主流算法SSD相比,具有更高的准确率,与DSSD相比,具有更好的实时性。

袁亚湘院士简介

袁亚湘院士于1960年1月出生于湖南资兴,1981年毕业于湘潭大学数学系,1982年3—11月在中国科学院研究生院就读研究生,师从冯康教授。1982年11月起在剑桥大学应用数学与理论物理系攻读博士,师从M.J.D.Powell教授,1986年获博士学位。袁亚湘院士于1985年10月-1988年9月在剑桥大学菲茨威廉姆学院工作(Rutherford research fellow),1988年回国并在中国科学院计算中心工作,成为当时中科院最年轻的正研究员。