一种对称损失下逆高斯分布形状参数的Bayes估计

在加权p、q对称损失下,分别研究了逆高斯分布形状参数的Bayes估计、多层Bayes估计和E-Bayes估计,并把刀切法的思想运用到Bayes估计中,得到逆高斯分布形状参数的刀切Bayes估计的精确形式,为验证形状参数估计的合理性,运用R软件,采用随机游动Metropolis算法对所研究参数的Bayes估计、E-Bayes估计和刀切Bayes估计进行数值模拟,比较了在加权p、q对称损失、Linex非对称损失、平方损失和q-对称损失下逆高斯分布形状参数的Bayes估计的精度,结果表明加权p、q对称损失下逆高斯分布形状参数的Bayes估计的精度最高。

改进多尺度卷积结构与高斯核的E-CenterNet算法

针对ResNet和DLA(deep layer aggregation)为主干网络的CenterNet算法特征提取能力不充分、热力图与目标真实边界框吻合度不高、关键点损失函数未充分考虑预测值对难易样本训练比重的影响等不足,提出一种改进多尺度卷积结构与高斯核的E-CenterNet算法。引入轻量型EfficientNetV2-S作为主干网络,并结合基于金字塔分割注意力网络的多尺度卷积结构对其进行改进,提高特征提取能力;对高斯核进行改进,使CenterNet产生的热力图由固定的圆形改进为随边界框宽高变化的椭圆形,增强算法对边界框宽高差异大的目标的检测能力;提出一种基于关键点预测值的关键点损失函数,提高算法对难样本的训练比例。在Pascal VOC数据集上的实验结果表明:E-CenterNet算法的mAP达到83.3%,比原始算法提升了2.6个百分点,检测性能优于CenterNet算法。

基于改进U-Net的新冠肺炎图像分割方法

近两年,新冠肺炎在全球暴发,给人类带来了极其严重的生命安全隐患,为尽可能地提高医生的诊断效率,研究新冠肺炎图像的病灶分割方法是极具价值的。利用U-Net网络模型作为基础网络,在第一、二层拼接前,引入改进的通道注意力,强化重要信息;在第三、四层拼接前,引入空间注意力,提取空间信息,对目标区域的细节信息进行补充;最后使用混合损失函数,加快网络收敛速度,避免样本不均衡。对比基础网络,改进后的网络模型既能够分割出较大的目标区域,也能够分割出较小的目标区域,更好地避免出现梯度消失问题,捕捉特征更加充分,有效提高分割性能和网络的可靠性。

Linex损失下逆高斯分布参数倒数的Bayes估计

本文在Linex损失函数下,研究逆高斯分布参数倒数的Bayes估计,并且讨论了多层Bayes估计并证明该参数的Bayes估计是可容许的。

熵损失下逆高斯分布参数倒数的Bayes估计

在熵损失函数下研究逆高斯分布参数倒数的Bayes估计并且讨论了多层Bayes估计并证明该参数的Bayes估计是可容许的.

异常值和未知观测噪声鲁棒的卡尔曼滤波器

给出了对异常值和未知分布的观测噪声鲁棒的卡尔曼滤波器。分析表明当以Huber损失函数替代推导卡尔曼滤波器最大后验准则中观测误差的l2范数时,就构造了一个新的准则。由于Huber损失函数可同时描述l1和l2范数,因此由这个新准则推导的卡尔曼滤波器,在具有传统卡尔曼滤波器性质的同时,也有了l1范数对异常值鲁棒的特性。而当含异常值的观测噪声统计分布未知时,利用含未知参数的高斯混合模型描述其分布以及变分贝叶斯推理,提出了对异常值和未知统计分布观测噪声鲁棒的卡尔曼滤波器。仿真和实验在验证了分析结果正确的同时,也表明提出算法的性能优于现有文献报道鲁棒类的卡尔曼滤波器。

不同优化器在高斯噪声下对LR性能影响的研究

目前机器学习算法已经应用到社会的各个领域,如数据挖掘、信息个性化推荐和自然语言处理等,在人们的工作和生活中起到了重要作用。线性回归模型(LR)是常见的机器学习算法的一种,具有使用简单,容易理解,便于执行等特点,但在加入噪声干扰的情况下模型性能会受到较大影响。LR的优化方式包括批量梯度下降(BGD)、随机梯度下降(SGD)、小批量梯度下降(MBGD)和Adam优化器等,最终训练后的模型性能受到优化方式、学习率、噪声等诸多因素的影响。为了研究在加入高斯噪声的情况下如何选择优化器来改善LR模型的性能,使用了Python语言和TensorFlow框架,通过比较几种优化器的损失函数和计算时间来研究加入高斯噪声后对LR模型性能的影响。实验结果表明,在加入高斯噪声的情况下,使用Adam优化器得出的损失函数和计算时间优于其他优化器。

面向火箭构型论证的运载能力快速分析方法

针对不同构型与任务条件下的运载能力快速计算问题,提出了基于高斯函数和组合神经网络的速度损失计算方法,并基于此对运载能力进行了快速分析。首先,基于状态量解析解计算分析,采用高斯函数对核心的重力速度损失项进行拟合计算;同时,为提高多构型与多任务样本的采样密度、简化数据建模过程并增强方法适应性,采用径向基网络(RBF)与深度神经网络(DNN)的组合形式进行状态量的提取与回归分析;然后将任务约束转化为需要速度增量,通过数值迭代得到运载能力。仿真结果表明,此运载能力分析方法精度偏差约为0.35%,计算耗时小于2 s,可为运载火箭总体参数快速论证与任务规划研究提供理论支撑。

多尺度语义特征水下图像增强研究

针对水下武器图像对比度低,细节模糊等问题,提出多尺度语义特征水下图像增强算法。该算法将编码解码结构作为主框架结合多尺度语义特征模块使不同尺度信息融合,提升网络对语义信息的感知能力;同时,将注意力机制引入多尺度融合模块与生成模块中,加强网络提取不同像素特征的能力;此外,构造高斯金字塔函数,结合全局相似性、WGAN、VGG19色彩感知损失函数增强图像。实验结果表明,该算法相比较UDCP、fusion、UWCNN、UGAN算法在水下图像颜色质量评价与峰值信噪比整体上平均提升0.0719与17.0198;自然图像评价整体上下降0.0135。

基于高斯过程模型的多响应稳健参数设计

针对高维试验数据的稳健参数设计问题,在高斯过程(Gaussian process,GP)的建模框架下,采用部分平行的GP(parallel partial GP,PPGP)模型来构建试验因子与多质量特性之间的响应曲面,在此基础上运用多元质量损失函数作为优化指标来获得可控因子的最佳参数设计值。并且以一个经典仿真算例和两个实际案例验证了所提方法的有效性和优劣性。研究结果表明,与独立建模的单变量GP模型或Kriging模型比较而言,所提方法不仅能够有效地处理高维试验数据的建模与参数优化问题,而且能够获得更为稳健的优化结果,运行效率更高。

考虑响应共变特性的多响应稳健参数设计

针对响应共变特性的稳健参数设计问题,在多任务高斯过程(multi-task Gaussian processes,MTGP)建模框架下,结合质量损失函数和考虑响应不确定性的优化函数构建了一个考虑输出响应不确定性的MTGP(uncertainty of MTGP,UNMTGP)优化模型。首先,利用MTGP模型拟合实验数据,构建考虑响应间共变特性对优化结果影响的多元高斯模型。其次,提出考虑输出响应不确定性的优化目标函数,构建多响应稳健优化模型。最后,结合全局优化方法,获得最优参数设计。此外,结合真实案例,利用质量损失函数的相关评价指标,论证所提方法的有效性。结果表明,所提方法考虑了响应共变特性和输出响应不确定性对优化结果的影响,有效改善了模型的预测质量,提升了输出响应的稳健性。

基于深度学习的人体轮廓识别

为了解决人体轮廓识别精度不高,鲁棒性不好的问题,在保证实时性的要求下,提出了一种基于深度学习的人体轮廓识别方法,该方法采用U-Net神经网络框架,建立特定视角的数据集,利用高斯滤波进行图像预处理操作,设计使用Dice和交叉熵函数相结合的损失函数进行训练。实验表明,该方法的重合度为91.85%,单次识别耗时为50.56 ms,在保证精度和实时性的前提下,也保证了对不同环境的适应性,在实际应用中有良好的价值。

基于加权边缘弱化引导滤波的人脸光照补偿

光照的变化是影响人脸识别结果的重要因素之一,针对这一问题,提出一种基于加权边缘弱化引导滤波的人脸光照补偿方法。首先为引导滤波损失函数添加一个可区分边缘细节的惩罚项,然后为惩罚项加权,加权系数由正面光照样本的类间平均脸计算得到,最后将滤波后的图像作为自商图中的平滑图,得到光照补偿图像。实验结果表明,该方法弱化了人脸平滑区域由光照造成的边缘细节噪声,且使用光照补偿图像作为人脸识别输入,能有效提高人脸识别准确率,特别在光照大范围变化时,识别准确率提升程度更高。

复合LINEX对称损失下逆高斯分布参数倒数Bayes估计

该文主要讨论了当参数θ的先验分布为Γ分布时,在复合LINEX对称损失函数下,逆高斯分布形状参数θ的Bayes估计、E-Bayes估计和多层Bayes估计问题,得到了相应的估计公式,并证明了参数θ的Bayes估计是可容许的.

用于图像分割的强制召回特征注意力网络

为解决医学图像中前景背景比例严重失衡及小目标区域难以分割的问题,该文提出了一种基于高斯图像金字塔的注意力网络。具体地,首先在特征解码阶段将空间信息与抽象信息进行特征融合;其次,设计了一个特征召回器以强制编码器减少遗漏感兴趣区域的特征;最后,引入分类精度和全局区域重叠项组成的混合损失函数来处理医学图像前景背景严重不平衡问题。所提出的方法在膝关节软骨数据集和COVOID-19胸部CT数据集中进行了验证,其分割区域分别占2.08%和10.73%。与U-Net及其主流变体相比,该方法在两个数据集上都得到了最佳的Dice系数,分别为0.884±0.032和0.831±0.072。

基于高斯过程模型的时空响应稳健参数设计

针对大规模时空数据的稳健参数设计问题,将快速不可分离高斯过程(fast nonseparable Gaussian process,FNSGP)模型与多元质量损失函数相结合,建立一个新的优化方案.首先,在考虑空间与时间相关性的条件下,使用FNSGP模型构建输入因子与质量特性之间的响应曲面,并采用前向滤波和后向平滑的快速、精确算法对模型进行估计和预测;其次,基于信噪比计算时空响应的联合损失权重,构造多元质量损失函数;然后,结合多元质量损失函数建立两阶段参数优化方案;最后,利用非线性优化算法寻找空间与时间因子的联合最优参数设计值.研究结果表明,本文所提方法可以有效地处理大规模时空数据的元建模与稳健参数设计问题,与可分离高斯过程、线性回归、随机森林等替代方法相比能够获得更为稳健的优化结果.

基于Frenet坐标系的自动驾驶轨迹规划与优化算法

针对公路场景下作速度保持的自动驾驶汽车实时轨迹规划问题,提出一种基于Frenet坐标系的优化轨迹规划算法.首先,利用Frenet坐标系将车辆运动解耦,构建无约束横向/纵向独立积分系统;然后,根据初始配置和可内嵌到行为层的目标配置,通过采样生成有限的4次、5次多项式候选轨迹集合;最后,利用以高斯卷积、加速度变化率为核心的安全性和舒适性评价指标构建损失函数,评价轨迹成本,并结合曲率、加速度检查,选择能够最小化损失的最优解.结果表明,该算法能满足公路型场景的规划需求,车辆运动轨迹平滑、舒适、安全性更高.

基于多变量高斯过程模型的贝叶斯建模与稳健参数设计

针对模型预测偏差和波动的稳健参数设计问题,在多变量高斯过程(multivariate Gaussian process,MGP)建模的框架下,结合质量损失函数和非线性优化约束方法构建一个新的多响应优化模型.首先,利用成对估计方法获得超参数近似值,构建多变量高斯模型;其次,结合MGP模型特征,构造充分考虑响应波动因素的质量损失函数.利用蒙特卡罗模拟方法,获得响应落入指定区间的期望概率;然后,以期望概率为约束,结合本文所提质量损失函数建立优化模型;最后,利用全局优化算法进行寻优,获得考虑响应期望概率的优化结果.实际案例和软件仿真表明,该方法综合权衡了预测偏差和预测波动引起的不确定性对优化结果的影响.获得了兼顾质量损失和期望概率最优均衡解,从而实现稳健参数设计.