线性时滞系统对记忆尺度的自适应控制

时滞是自然界中广泛存在而又不可避免的一种现象。研究时滞现象,对于解决工程中的时延问题、提高控制系统性能,有具体的理论和实践意义。针对时滞信息完全未知的线性时滞系统,研究了带记忆状态反馈控制问题。通过设计出记忆尺度的自适应律,并将记忆尺度引入稳定性判据中,得到实时变化的反馈增益,从而更好地实现了对系统的控制。自适应控制器可以直接通过求解线性矩阵不等式而得到。最后通过仿真示例验证了所给方法的有效性。

记忆尺度——兼谈南门会建筑设计

在快速发展后的集体失忆年代,建筑被严重布景化。在资本的压力面前,建筑师应该尊重人的记忆,尊重尺度的延续,让生活更有温情。

基于多尺度记忆残差网络的网络流量异常检测模型

基于深度学习的网络流量异常检测模型通常存在现实环境适应性差、表征能力有限以及泛化能力弱的问题。为此,提出了一种基于多尺度记忆残差网络的网络流量异常检测模型。基于高维特征空间分布分析,证明网络流量数据预处理方法的有效性;将多尺度一维卷积与长短期记忆网络相结合,通过深度学习算法提高模型的表征能力;基于残差网络的思想,实现深度特征提取,同时防止梯度消失、梯度爆炸、过拟合及网络退化现象,加快模型收敛速度,从而实现准确高效的网络流量异常检测。数据预处理可视化结果表明,经独热编码处理后,相较于标准化处理,归一化处理可使正常流量与异常流量数据有效分离;有效性验证实验及性能评估实验结果表明,通过增加恒等映射可加快模型收敛速度,并有效解决网络退化问题;对比实验结果表明,多尺度一维卷积及长短期记忆网络可提升模型的表征能力并使模型具备较强的泛化能力,且本文模型相比当前部分深度学习模型呈现更优的性能指标。

基于ResNet短期视觉的视频跟踪算法

针对复杂环境下跟踪过程中目标容易丢失等问题,提出了一种基于残差网络特征提取的视觉记忆矫正相关滤波算法。首先,通过ResNet不同层提取图像感兴趣的深层特征,只选取具体效果最好的卷积层所提取的特征来训练相关滤波器,得到响应值最大的目标位置。其次在确定位置的基础上进行尺度采样和记忆采样,建立短期记忆尺度金字塔,以此建立尺度相关滤波器,从而实现对目标尺度的准确估计。最后在数据集OTB100中与其它算法进行了比较,实验结果表明,所提算法取得了可观的精确度和跟踪成功率,在能保持一定的实时性的情况下适应光照、尺度变化以及遮挡等复杂环境。

基于混合搜索方向的前向复值神经网络的学习算法

复值有限内存BFGS(CL-BFGS)算法能有效用于求解复数域的无约束优化问题,但其性能容易受到记忆尺度的影响.为了解决记忆尺度的选择问题,提出一种基于混合搜索方向的CL-BFGS算法.对于给定的记忆尺度候选集,采用滑动窗口法将其划分成有限个子集,将各子集元素作为记忆尺度计算得到一组混合方向,选择使目标函数值最小的混合方向作为当前迭代的搜索方向.在迭代过程中,采用混合搜索方向的策略有益于强化对最新曲率信息的利用,便于记忆尺度的选取,提高算法的收敛速度,所提出的CL-BFGS算法适用于多层前向复值神经网络的高效学习.最后通过在模式识别、非线性信道均衡和复函数逼近上的实验验证了基于混合搜索方向的CLBFGS算法能取得比一些已有算法更好的性能.