一种快速渐进式卷积神经网络结构搜索算法

手动设计卷积神经网络结构对专业性要求高、难度大。基于梯度可微的搜索快速高效,但这类方法存在深度鸿沟和稳定性较差的问题。提出一种结合渐进式搜索和贪心指标的快速渐进式结构搜索算法(FPNAS),通过渐进式扩展搜索阶段的结构,使得搜索阶段的网络结构逐渐接近评估阶段,避免深度鸿沟造成的影响。同时,通过运用贪心指标作为选边准则,增加搜索评估的相关性并提高搜索的稳定性。针对网络结构搜索算法消耗计算资源多的问题,提出渐进式划分数据集方法,通过分阶段不同比例的数据集划分来减少结构搜索的计算资源消耗。以准确率和搜索时间作为评价指标,将FPNAS与渐进式可微结构搜索算法和贪心搜索算法进行对比,实验结果表明,FPNAS搜索出的网络结构稳定性得到改进,搜索时间分别缩短0.19和0.14个GPU Days,在CIFAR-10数据集上精度最高达到97.7%。

一种渐进式的遗传算法在智能组卷中的应用

智能组卷是一个多约束目标的组合优化问题。针对传统遗传算法在组卷解决问题方面存在的不足,提出了一种渐进式的遗传算法,此算法针对传统遗传算法的不足做了改进,速度和性能都有显著提高,尤其是针对大规模题库的组卷,仿真结果表明这种方法是有效的。

OFDM系统中基于稀疏信道估计的新导频设计方案

在正交频分复用(OFDM)系统中,研究稀疏信道估计的导频是基于与OFDM系统导频子载波相关联的测量矩阵的互相关最小化的方法。为了解决由高计算法复杂度的穷举搜索方法导致的次优方法的导频分配问题,提出了两种满足有限等距性质(RIP)的部分定性傅里叶矩阵的导频设计方案。它们分别是基于互相关的不同测量矩阵的列之间的通用随机搜索(GRS)和渐进式搜索(PS)方案。仿真结果表明,提出的两种导频分配方案是有效的,并且相对于以往的导频分配设计方案,提供了优于MSE的信道估计性能。