求解一类投资组合问题的鲁棒镜像下降SA方法

随着经济的发展,投资组合越来越受到人们的关注,其主要研究如何在风险范围确定的情况下设计合理的优化方案,可以帮助投资者获得最多的利润.然而在实际投资问题中,许多不确定因素会影响投资收益,如何选取有效的投资组合方案规避一些不确定因素的影响很关键.因此在投资组合模型中引入随机变量来处理可以得到有效的投资方案.目前,对含有随机变量的投资组合问题的求解方法有很多,使用鲁棒镜像下降SA方法(简称RMDSA)去求解这一问题,并对所用的方法做出收敛性分析,说明其有效性.

自适应监督下降方法的姿态鲁棒人脸对齐算法

人脸对齐是人脸分析处理中的重要一步。由于现实中的人脸照片通常在姿态、光线等方面存在较大的差异,人脸对齐是一项艰巨的任务。初始关键点的位置以及特征提取对人脸对齐很重要。提出一种自适应监督下降方法(SDM)的姿态鲁棒人脸对齐算法。首先,为了减小姿态差异对人脸对齐的影响,使用聚类算法将图片按照姿态分成三类(正脸,左侧脸,右侧脸),这样每个类别下的姿态更加紧致。其次,考虑到人脸对齐是由粗到细的多阶段监督学习过程,采用自适应特征提取框(由大到小)来提取判别性特征。基于上述两种策略,在每个类别下,提供一个更好的初始关键点位置,通过自适应特征提取的SDM模型来进行回归模型的训练。选用LFPW、HELEN和300W数据集进行评估,实验结果表明,该模型在复杂姿态下能准确定位关键点,并且好于现有的人脸对齐算法。