面向生产计划调整的资源参数反演逆优化方法

原生产计划是满足预测产品种类及数量需求的成本最小化的生产计划。然而,实际需求常常与预测不符,当获取实际需求数据后,需要对原生产计划进行动态调整。基于此,以逆优化为方法论,将面向生产计划调整的资源重配置问题,转化为一个已知实践最优生产计划,反向求解让该实践方案成为在调整后的参数下的原生产计划模型最优解的反演问题。该反演问题是以市场需求变动为动因,以不同生产线上不同类型产品的生产时间为调整参数,通过对该参数最小化调整的同时达到市场实际需求。首先,从资源种类变动项目和每项资源变动数量两个维度刻画调整成本,同时引入L0范数正则化方法降低资源变动项数,降低资源变动成本;其次,通过采用全局设备效率(OEE)测量作业环节生产效率,使得生产资源配置过程更具有全局性与系统性;最后,鉴于本逆优化模型是非凸非线性问题,为了提高求解效率,提出“松弛约束-中位数约束-紧松弛约束”三阶段方法确定生产线生产能力约束,该方法能够在增强最优解准确性的同时提高求解效率。将逆优化引入由果索因、变动需求驱动的生产资源最小化调整问题,有助于促进供需匹配,稳定生产,降低企业生产调整成本。

基于压缩感知的矩阵型联合SAR成像与自聚焦算法

模型准确情况下,压缩感知在合成孔径雷达成像中得到良好应用;但在实际情况中,模型会存在一定误差,这些误差造成图像偏离真实位置、引起散焦降低成像质量.本文提出一种矩阵型联合CS-SAR成像与自聚焦算法,该算法在CS-SAR成像重构方法方面,基于光滑l_0范数方法提出了矩阵型正则化光滑l_0范数重构方法,该方法具有较强容错能力并能直接重构矩阵型信号,能克服现有联合CS-SAR成像与自聚焦算法在计算效率方面的缺陷.最后,通过仿真验证了所提算法的有效性.

结构纹理感知下的鲁棒光流估计及人脸活检应用

目的光流估计是计算机视觉研究中的一个重要方向,尽管光流估计方法不断改进,但光照变化条件下光流计算精度的提高仍然是一个尚待解决的挑战。人脸反欺诈方法对于确保人脸识别系统的安全性十分重要,光照鲁棒的脸部运动光流特征能为人脸活体检测提供有关运动和结构的可靠信息。为了获得对含光照变化视频中物体运动的理解能力并应用于人脸活体检测,提高系统性能,提出了一种基于结构纹理感知视网膜模型的鲁棒光流估计方法。方法基于Retinex理论,通过结构纹理感知方式将图像中的反射分量与光照分量充分解耦。由于反射分量具有丰富的纹理信息且光照分量中包含部分有用的结构信息,因此对所提取的光照分量进行滤波操作后再与反射分量一起融合到光流模型中,有效提高了光流估计的鲁棒性。为使模型所获光流具有更好的边缘保持性,采用光滑—稀疏正则化约束方式进行最小化求解。本文给出了求解优化问题的数值方法。结果采用MPI Sintel数据集图像序列,与PWC-Net、DCFlow+KF和FDFlowNet(fast deep flownet)等主流算法进行对比实验,本文方法在Clean和Final数据集中均得到最低的平均终点误差(end-point error,EPE),分别为2.473和4.807,在3个公开数据集上进行的评测进一步验证了本文方法的鲁棒性。最后,将所提取的脸部运动光流特征在人脸反欺诈数据集上进行了活体检测对比实验,对比实验结果验证了提出的光流估计算法更具鲁棒性,改善了人脸活体检测的效果。结论提出的光流计算模型,在不同光照变化条件下具有良好的鲁棒性,更适合于人脸活体检测应用。本项目代码链接为https://github.com/Xiaoxin-Liao/STARFlow。