量子门Elman神经网络及其梯度扩展的量子反向传播学习算法

针对Elman神经网络的学习速度和泛化性能,提出一种具有量子门结构的新型Elman神经网络模型及其梯度扩展反向传播(Back-propagation)学习算法,新模型由量子比特神经元和经典神经元构成.新网络结构采用量子映射层以确保来自上下文单元的局部反馈与隐藏层输入之间的模式一致;通过量子比特神经元输出与相关量子门参数的修正互补关系以提高网络更新动力.新学习算法采用搜索然后收敛的策略自适应地调整学习率参数以提高网络学习速度;通过将上下文单元的权值扩展到隐藏层的权值矩阵,使其在与隐藏层权值同步更新过程中获取时间序列的额外信息,从而提高网络上下文单元输出与隐藏层输入之间的匹配程度.以峰值检波为例的数值实验结果显示,在量子反向传播学习过程中,量子门Elman神经网络具有较快的学习速度和良好的泛化性能.

一种基于粒子群优化的目标跟踪特征选择算法

针对复杂背景下的运动目标跟踪特征选择问题,提出了一种基于粒子群优化的目标跟踪特征选择算法。假设具有目标与背景间最好可分离性的特征为最好的跟踪特征。通过构建目标与背景的图像特征分布方差的比值函数作为衡量目标与背景间的可分离性判据。使用粒子群优化算法优化不同的特征组合实时获取最优的目标跟踪特征。为验证该算法的有效性,将选择的最优特征与一种基于核的跟踪算法相结合进行跟踪实验。实验结果表明,算法能有效提高传统基于核的跟踪算法对于复杂场景下的运动目标跟踪的鲁棒性与准确性。