摘要:在线教育场景中,由于授课者与学习者处于“准分离”状态,授课者难以感知学习者的情感状态.因此,研究面向在线教育的学习者情感识别有助于授课者改进教学策略,同时有利于在线教育平台刻画学习者的学习偏好.目前,面向在线教育的学习者情感识别领域已经有许多研究成果,从不同方面对其进行分析和总结很有必要.首先,从离散模型、维度模型和学习者情感类别3个部分对情感表示模型进行阐述;其次,阐述面向在线教育的3种情感测量方法以及学习者情感数据获取方法;接着,总结涵盖基于文本数据、面部表情、语音信号、生理信号以及多模态数据的学习者情感识别方法;最后,讨论当前面向在线教育的学习者情感识别研究中存在的不足和可能的解决方案,旨在对面向在线教育的学习者情感识别相关工作进行深入分析与总结,为相关研究者提供有价值的参考.

摘要:抽象技术作为人工智能研究中高效拓展决策的重要组成部分,已广泛应用于大规模的决策问题.蒙特卡洛树搜索虽然在众多决策领域取得了卓越成就,但是在现实决策问题中面临着决策空间巨大和规划周期很长的问题.鉴于此,研究抽象技术及其在蒙特卡洛树搜索中的应用,从状态空间和动作空间两个角度出发分析抽象技术如何提升蒙特卡洛树搜索的决策能力,并对抽象蒙特卡洛树搜索研究中仍需要解决的问题和未来的研究方向作进一步展望.

摘要:对于地形复杂、范围广阔的荒漠环境,当前的地图模型存在占用存储空间过大的问题;同时在复杂地形下,当前的全覆盖路径规划算法能量消耗大,无法适用于在线条件.对此,提出一种在线的全覆盖路径规划算法及相应的地图模型.首先,介绍一种变分辨率的三维栅格地图模型.其次,分析机器人在非平面环境下进行全覆盖任务的能量消耗问题,得出最节约能量的覆盖方式.在对平坦地形的覆盖中,基于优先级覆盖的思想,对传统的牛耕法覆盖做出改进,拓展为8个方向.然后,针对非平坦地形提出一种在线的面向地形的区域分解方法,在全覆盖过程中根据高度将特殊地形区域分解出来单独覆盖.在子区域内部,对特殊地形抽象得到斜面模型,引入地形变化函数,形成新的优先级遍历方法,并设计一种针对性的避障策略以进一步减少能量消耗.最后,对所提出的算法进行仿真验证以及机器人实验.仿真验证和实验结果表明,相比于其他算法,所提出算法能显著减少全覆盖过程中的重复率以及机器人总能量消耗.

摘要:在不同应用场景下多机器人系统的图案构成受到越来越多的关注,然而现有方法不能有效地优化在障碍物环境中的图案在线自主构成.为解决这一问题,提出一种新的基于目标匹配和路径优化的实时在线的优化算法.首先,以机器人与虚拟期望图案的距离为目标函数,建立一个多参数的图案构成模型,进而在一定的约束条件下求解得到最优的期望图案参数;其次,建立迭代控制器,使机器人在向目标点移动的过程中,可以实时在线地进行机器人与目标点的分配;然后,采用最佳避碰速度算法使机器人无碰撞地到达期望图案的目标点,完成图案构成;最后,通过在MATLAB和V-REP中的仿真实验,验证所提出方法的正确性和有效性.

摘要:随着目标数的增多,种群收敛性与分布性的冲突愈加激烈,传统的多目标进化算法的选择算子难以平衡种群的收敛性与分布性.对此,提出一种基于自适应聚合距离的多目标进化算法.首先,采用参考点支配关系替代原有的Pareto支配关系,以增加选择压力,加强收敛性;其次,提出自适应聚合距离,通过动态变化的惩罚参数来自适应调整收敛性与分布性的比例;最后,设计一种带有淘汰算子的方法以改进小生境选择策略,根据自适应聚合距离的大小进行选择和淘汰操作.为验证算法的可行性,将所提出算法在测试问题上与其他4种优秀的多目标进化算法进行比较,并应用于两个实际应用中,仿真结果表明,所提出算法的综合性能更优,能有效平衡种群的收敛性与分布性.

摘要:现有深度网络跟踪算法应对相似物体干扰、尺度变化、形变模糊、遮挡等问题存在挑战,为此提出一种融合多模板注意力机制的鲁棒深度网络算法.在SiamFc深度网络分支中构建通道和空间多模板注意力机制,以加强网络对目标特征的提取能力;融合浅层和深层卷积特征实现跟踪目标的精确聚焦,以克服相似物干扰问题;采用自适应回归网络学习目标采样点与目标边界之间的距离,实现目标区域的动态预测,有效应对目标尺度变化问题.另外,通过计算分类特征的APCE均值和最大值建立模板在线更新策略,实现网络自适应目标形变模糊与遮挡等问题.对OTB100和VOT2016等公开数据集的测试结果表明,与目前先进的SiamFc及改进方法相比,所提出算法在动态目标跟踪的准确率和成功率上均得到有效提升,具有强鲁棒性能.

摘要:针对旅行商问题的特点,提出基于近邻牵引算子的离散黑猩猩优化算法.首先,引入优质片段的概念,并结合每个群组的最优个体设计其检索方法,以提高组内学习策略的效果,根据组合优化问题特点对黑猩猩群体的狩猎过程进行离散化表示;其次,通过组间交流机制消除部分个体路径交叉;最后,为了克服传统的邻域搜索算子收敛慢和搜索效率低的缺点,提出一种新的邻域搜索方式-----近邻牵引算子,其搜索目的更加明确、收敛更高效,并设计自适应概率扰动调控策略,以有效平衡算法的探索与开发.对30个TSP标准数据集进行实验,结果表明,所设计的离散黑猩猩优化算法求解质量高、收敛速度快,可以应用于组合优化问题求解.

摘要:为了解决工厂车间视觉监控存在噪声干扰、光线变化、目标遮挡等问题,提出一种基于多模态视觉监控的工人跌倒检测算法.首先,采用热像仪和可见光相机获取车间内全天候监控图像,结合自适应滤波模型对图像进行降噪处理,以抑制环境噪声对监控图像的干扰;然后,构建一种改进的人体姿态特征提取网络,通过融合串联时间帧合并模块和位姿残差模块,以简化目标检测的特征图尺度,实现监控图像中工人区域被部分遮挡时姿态的实时、可靠预测;最后,设计人体轴线倾角、人体外接矩形框长宽比以及双膝盖点移动速度作为工人跌倒判别性特征,进而实现车间内工人的跌倒判别.在自建数据集和公开数据集上对所提出方法进行验证,实验结果表明,所提出算法的跌倒检测精度分别为95.6%和96.3%,与对比算法相比具有更好的准确性和实时性.

摘要:交通场景下的车辆检测问题存在小目标多、目标遮挡严重等情况,鉴于此,提出一种基于改进YOLOv3的车辆检测算法.由于小目标仅包含较少的像素,特征不明显,算法在空间金字塔结构中融入软池化操作,搭建Soft-SPP结构将多重感受野融合,通过软池化操作最大程度地保留细节,有效提取小目标特征;引入坐标注意力机制,在调整每个通道特征分配权重的同时能够捕捉具有精确位置信息的远程依赖关系;提出一种新的损失函数KIoU Loss作为边界框损失函数,同时考虑边界框的关键点与长宽比使之回归更加准确.实验结果表明,改进后的算法在自动驾驶KITTI数据集上平均精度达到94.69%,相比原始YOLOv3算法精度提升4.13%,且检测速度仅下降3.16frame\cdots^{-1

摘要:覆盖旅行商问题(covering salesman problem,CSP) 是旅行商问题的变体,在防灾规划、急救管理中有着广泛应用.由于传统方法求解问题实例耗时严重,近年来深度神经网络被提出用于解决该类组合优化问题,在求解速度和泛化性上有明显的优势.现有基于深度神经网络求解CSP的方法求解质量较低,特别在大规模实例上与传统的启发式方法相比存在较大差距.针对上述问题,提出一种新的基于深度强化学习求解CSP的方法,由编码器对输入特征进行编码,提出新的Mask策略对解码器使用自注意力机制构造解的过程进行约束,并提出多起点策略改善训练过程、提高求解质量.实验结果表明,所提方法对比现有基于深度神经网络的求解方法进一步缩小了最优间隙,同时有着更高的样本效率,在不同规模和不同覆盖类型的CSP中展现出更强的泛化能力,与启发式算法相比在求解速度上有10sim40倍的提升.

摘要:针对粒子群优化算法在处理高维、大规模、多变量耦合、多模态、多极值属性优化问题时易早熟收敛等性能和技术瓶颈,基于粒子群优化算法行为学习算子和3种不同学习偏好的差分变异算子,建立带偏向性轮盘赌的多算子选择与融合机制,提出一种带偏向性轮盘赌的多算子协同粒子群优化算法MOCPSO.MOCPSO针对迭代粒子群榜样粒子集,首先通过对迭代种群及其榜样粒子集优劣分组,同时采用轮盘赌分别为每组榜样粒子集选配不同学习偏好的变异算子,并为每组榜样粒子适配差分基向量和最优基向量,预学习并优化迭代种群及其榜样粒子,以权衡算法的全局探索和局部开发;然后通过合并所有子种群,并结合粒子群优化算法行为学习算子,指导迭代种群状态更新,以提高算法的全局收敛性;最后结合精英学习策略,对群体历史最优进行高斯扰动,以提高算法的局部逃生能力,保障算法收敛的多样性.实验结果表明,MOCPSO算法与5种先进的同类型群智能算法在求解CEC2014基准测试问题上具备竞争力,且有更强的优化特性.

摘要:针对分数阶PID控制器的设计问题,提出一种改进麻雀搜索算法(ISSA)对分数阶PID控制器进行参数整定.在麻雀搜索算法(SSA)中引入Chebyshev混沌映射,提高SSA的种群多样性和全局搜索能力;采用自适应t分布和萤火虫算法,设置转换概率p使二者交替执行,提高SSA的收敛精度和寻优性能.对10个基准测试函数进行寻优,结果表明相较于已有的4种经典算法,ISSA在收敛速度、收敛精度、全局搜索能力等方面均有较大提升.最后,对两类被控系统进行仿真分析,相比现有成果,证实了ISSA算法对求解分数阶PID控制器参数整定问题的有效性和实用性.

摘要:卷积神经网络已经成为强大的分割模型,但通常为手动设计,这需要大量时间并且可能导致庞大而复杂的网络.人们对自动设计能够准确分割特定领域图像的高效网络架构越来越感兴趣,然而大部分方法或者没有考虑构建更加灵活的网络架构,或者没有考虑多个目标优化模型.鉴于此,提出一种称为AdaMo-ECNAS的自适应多目标进化卷积神经架构搜索算法,用于特定领域的图像分割,在进化过程中考虑多个性能指标并通过优化模型的多目标适应特定的数据集.AdaMo-ECNAS可以构建灵活多变的预测分割模型,其网络架构和超参数通过基于多目标进化的算法找到,算法基于自适应PBI实现3个目标进化问题,即提升预测分割的$F_1$-score、最大限度减少计算成本以及最大限度挖掘额外训练潜能.将AdaMo-ECNAS在两个真实数据集上进行评估,结果表明所提出方法与其他先进算法相比具有较高的竞争性,甚至是超越的.

摘要:无人机航迹规划是一个富含地形威胁、雷达威胁和自身可飞性等多约束的优化问题.采用两步制的规划框架,提出一种基于集成约束的无人机航迹规划方法.规划第1阶段采用基于多种群策略的差分进化优化方法,规划第2阶段采用海洋捕食者算法的Lévy运动优化;集成约束机制在搜索过程中动态更新约束策略来补偿可行解数量骤减,抑制搜索停滞.与典型算法和约束处理策略进行对比,实验结果表明,所提出无人机航迹规划方法收敛性好、稳定性强,能够有效地求解复杂多约束无人机航迹规划问题.

摘要:搜索和救援优化算法(SAR)是2020年提出的模拟搜救行为的一种元启发式优化算法,用来解决工程中的约束优化问题.但是,SAR存在收敛慢、个体不能自适应选择操作等问题,鉴于此,提出一种新的基于强化学习改进的SAR算法(即RLSAR).该算法重新设计SAR的局部搜索和全局搜索操作,并增加路径调整操作,采用异步优势演员评论家算法(A3C)训练强化学习模型使得SAR个体获得自适应选择算子的能力.所有智能体在威胁区数量、位置和大小均随机生成的动态环境中训练,进而从每个动作的贡献、不同威胁区下规划出的路径长度和每个个体的执行操作序列3个方面对训练好的模型进行探索性实验.实验结果表明,RLSAR比标准SAR、差分进化算法、松鼠搜索算法具有更高的收敛速度,能够在随机生成的三维动态环境中成功地为无人机规划出更加经济且安全有效的可行路径,表明所提出算法可作为一种有效的无人机路径规划方法.

摘要:针对永磁同步电机驱动的伺服系统在不确定性摩擦和未知负载的影响下难以达到高精度的控制效果,提出一种基于区间二型模糊系统的带有输出约束的有限时间自适应输出反馈控制方案.首先,构建一个基于非线性扰动观测器的区间二型模糊状态观测器,分别完成对于未知扰动和速度的估计,区间二型模糊系统完成对于非线性摩擦的逼近;然后,在此基础上,结合滤波误差补偿机制和有限时间技术,引入障碍Lyapunov函数和反步控制技术设计输出约束的自适应区间二型模糊输出反馈控制器;最后,根据Lyapunov稳定性理论提出严格的稳定性分析,保证闭环系统的所有信号均是有限时间内有界的,并通过数值仿真和实验验证了所提出方法的有效性.

摘要:研究级联双端口网络控制系统在被控对象、控制器和双端口通信信道中同时存在扰动的稳定性问题.当网络控制系统通过一系列双向通信信道进行信号传输时,系统建模为通过级联双端口网络进行连接.由于通信过程中会发生信息的失真和干扰,考虑双端口信道传输矩阵中的$\mathcalH_\infty$范数有界扰动以及被控对象和控制器中的gap型扰动,得到基于通信信道扰动服从范数有界时闭环系统与网络控制系统鲁棒稳定之间的关系,同时也以几何不等式的方式给出判定网络控制系统鲁棒稳定性的充分条件.数值算例表明结论是有效的.

摘要:主要研究离散时间切换系统在容许路径依赖混合驻留时间(AED-IDT)切换下异步$l_2-l_\infty$滤波器的设计问题.不同于以往的研究结果,提出一种异步转移依赖凸Lyapunov函数,得到了低保守性稳定性判据.所设计Lyapunov函数的创新之处在于其构建不再依赖系统模态,而是依赖当前激活的滤波器模态和刚刚运行结束的滤波器模态.鉴于所设计Lyapunov函数具有凸性质,这为所提出方法提升自由度和灵活性创造了空间.采用转移依赖凸Lyapunov函数和AED-IDT切换策略,能够得到保证滤波误差系统全局一致指数稳定,且具有$l_2-l_\infty$性能的充分条件.在此基础上,提出异步$l_2-l_\infty$滤波器的设计方法.最后,通过一个数值实例和一个切换RLC应用电路来验证所得结果的有效性,并经过仿真实验验证了所提出设计方法能够保证更紧的驻留时间界和较小的滤波误差结果.

摘要:数据中心制冷系统具有非线性、强耦合和大滞后特性,目前常用的PID方法无法实现系统整体能效提升,而现有非线性优化算法计算量大,不易工程实现.鉴于此,提出一种数据中心制冷系统模型预测控制策略,上层优化层设计预测控制器,其目标为在满足制冷要求的前提下降低系统能耗,优化层采用神经网络作为反馈控制器,将系统整体优化目标函数作为神经网络控制器优化性能指标,结合变分法与随机梯度下降法,通过滚动优化求取下层各回路被控变量最优设定值,算法占用存储区适中、计算量小;下层现场控制层通过实时控制使各回路被控变量跟踪最优设定值,可以在不破坏原有现场控制系统的情况下实现性能优化.构建Trnsys-Matlab联合仿真平台,针对系统夏季、过渡季和冬季的控制策略进行仿真实验.结果表明,所提出控制策略能够在满足数据中心安全运行的前提下,实现系统整体能效提升,且具有良好的鲁棒性.

摘要:针对动力学模型未知的多输入多输出非线性离散时间多智能体系统的随机时延问题,提出一种输入增益补偿策略,并针对其通讯受限问题,提出一种带有死区操作器的事件触发控制机制.首先,采用伪偏导技术沿时间轴方向,在智能体的每个工作点上建立一种紧格式动态线性化数据模型,并给出该数据模型的参数估计算法.在此数据模型的基础上结合符号图论,研究智能体之间的合作与竞争关系,设计一种事件触发的数据驱动双向编队控制算法.最后,通过李雅普诺夫稳定性理论、矩阵理论 以及压缩映射原理论证所提出算法的收敛性,并通过仿真实验和实物实验进一步验证该算法的正确性与有效性.

摘要:研究一类具有多种不确定性的非线性系统的全局输出反馈调节问题.所研究系统的一个显著特点是非线性项被未知增长率和多项式形式的输出函数的乘积界定,难点是在输出受不确定参数摄动的情况下如何抑制非线性项.提出一种改进的双增益方法来设计输出反馈控制器,可以确保闭环系统所有信号全局一致有界并且原系统状态收敛到零.最后,采用质量弹簧机械系统的输出反馈镇定问题来说明控制策略的有效性.

摘要:传统状态观测器仅基于当前观测误差重构系统状态,未充分利用系统历史观测数据.针对存在匹配扰动的二阶不确定线性系统,设计一种比例-积分-时滞滑模观测器,实现不确定线性系统状态的鲁棒确切估计.首先,设计带记忆滑模函数,形式为历史观测误差和当前观测误差的线性组合,设计参数包括滑模面增益和人工时滞两部分,将滑模面中的时滞项基于泰勒级数展开,将截断误差表示为积分形式;然后,设计带记忆输出反馈等效控制律,采用时滞依赖型Lyapunov泛函,进行滑模动态指数稳定性分析和观测补偿;接着,将观测器参数设计转化为多目标优化问题,优化目标包括:系统状态衰减率、控制代价、高频噪声不灵敏度,基于粒子群算法,在上述3个优化目标间实现设计参数优化整定,在“快、准、稳”方面进行合理折衷选择;最后,在无源网络系统中,验证所提出滑模观测器的可行性和有效性.

摘要:对于动态过程具有明显迟延和惯性的MIMO系统,常规模糊控制难以建立模糊规则,控制效果不理想.针对MIMO控制对象,提出一种基于分散模糊推理的预测控制(predictive control based on decentralized fuzzy inference,DFIPC)方法.构造一组与被控输出相对应的分散模糊推理模块,每个推理模块利用一组分散的模糊推理单元,分别根据各个输出的期望值与预测值之间的偏差进行分散推理.在时间层面,根据动态响应程度对推理结果进行加权综合,获得等效控制输入;进一步,通过对等效控制输入加权综合产生系统实际控制输入增量,从而有效克服模糊推理系统处理多维输入信息时模糊规则难以建立的困难.最后,通过实验验证所提出控制方法对于迟延和惯性明显的MIMO控制对象的有效性和适应性.

摘要:浓密脱水过程是有色金属选冶领域重要的固液分离工序.但由于该过程关键变量难以在线检测、生产设备间相互耦合以及人工经验操作等问题,导致其能耗较高、过程安全性难以保证.对此,以浓密脱水过程为背景,构建一种基于混合整数线性规划的协调优化模型.利用工业现场的历史数据,建立底流浓度预测模型以及底流泵与压滤泵运行时间预测模型;在考虑阶梯电价的条件下,以最小化生产过程能耗为目标,以生产工艺条件、设备安全等为约束条件,建立浓密脱水过程的协调优化模型;通过引入辅助决策变量,对优化模型进行线性化处理,将复杂的非线性过程问题转化为更易于求解的混合整数线性规划问题.最后,将所提出的方法应用于某选矿厂的浓密脱水过程,结果显示,平均放矿底流浓度可以提高13.5%,能耗经济指标降低46.8%.

摘要:在基于深度学习的轴承剩余使用寿命(RUL)预测方法中,时间卷积网络(TCN)忽略了振动数据中未来时间信息的重要性,长短期记忆网络(LSTM)难以有效地学习振动数据的长时间序列特征.针对以上问题,提出一种基于并行双向时间卷积网络(Bi-TCN)和双向长短期记忆网络(Bi-LSTM)的轴承RUL预测方法.首先,对多传感器数据进行归一化处理,并将每个传感器数据进行通道合并,实现多传感器数据的高效融合;然后,采用Bi-TCN和Bi-LSTM构建并行的双分支特征学习网络,其中Bi-TCN提取数据的双向长时间序列特征,Bi-LSTM提取数据的时间相关特征;同时,设计一种特征融合注意力机制,该机制分别计算Bi-TCN和Bi-LSTM的输出权重,以实现两种网络输出特征的自适应加权融合;最后,融合特征通过全连接层并输出轴承RUL的预测结果.利用西安交通大学轴承数据集和PHM 2012轴承数据集进行RUL预测实验,实验结果表明,与其他先进的预测方法相比,所提出方法可以准确预测更多类型轴承的RUL,同时具有更低的预测误差.

摘要:为实现恶劣战场环境下降质图像的有效恢复、降低环境因素对战场态势感知的干扰,构建一种全新的、端到端的图像恢复方法-----门控采样网络(GSNet).该网络以编码块-解码块为基本架构,以CNNs与门控卷积为编码与解码机制,以压缩和激励网络为编码块与解码块的连接机制,以高阶信息重要程度的重标定区分目标与背景特征,以通道粒度因子压缩方法为轻量化策略,实现对战场恶劣环境图像的快速恢复.相关实验结果表明,GSNet模型可使PSNR达到19.35dB,并且SSIM达到0.724,无论是客观指标评价还是主观视觉效果,性能均优于对比的主流图像恢复算法;轻量级GSNet模型在较小提升PSNR、SSIM等指标的情况下,其参数量、FLOPs以及单张图像处理时间分别降低56.6%、54.6%和55.56%.

摘要:针对动态场景下的图像去模糊问题,提出一种对偶学习生成对抗网络(dual learning generative adversarial network,DLGAN),该网络可以在对偶学习的训练模式下使用非成对的模糊图像和清晰图像进行图像去模糊计算,不再要求训练图像集合必须由模糊图像与其对应的清晰图像成对组合而成.DLGAN利用去模糊任务与重模糊任务之间的对偶性建立反馈信号,并使用这个信号约束去模糊任务和重模糊任务从两个不同的方向互相学习和更新,直到收敛.实验结果表明,在结构相似度和可视化评估方面,DLGAN与9种使用成对数据集训练的图像去模糊方法相比具有更好的性能.

摘要:在癫痫脑电信号分类检测中,传统机器学习方法分类效果不理想,深度学习模型虽然具有较好的特征学习优势,但其“黑盒”学习方式不具备可解释性,不能很好地应用于临床辅助诊断;并且,现有的多视角深度TSK模糊系统难以有效表征各视角特征之间的相关性.针对以上问题,提出一种基于视角-规则的深度Takagi-Sugeno- Kang(TSK)模糊分类器(view-to-rule Takagi-Sugeno-Kang fuzzy classifier,VR-TSK-FC),并将其应用于多元癫痫脑电信号检测中.该算法在原始数据上构建前件规则以保证模型的可解释性,利用一维卷积神经网络(1-dimensional convolutional neural network,1D-CNN)从多角度抓取多元脑电信号深度特征.每个模糊规则的后件部分分别采用一个视角的脑电信号深度特征作为其后件变量,视角-规则的学习方式提高了VR-TSK-FC表征能力.在Bonn和CHB-MIT数据集上,VR-TSK-FC算法模糊逻辑推理过程保证可解释的基础上达到了较好分类效果.

摘要:随着互联网的高速发展,社会大众可以通过网络对医疗事件以及医患关系自由地发表个人意见和观点言论,这对于引导公众正确的价值导向有着重大研究意义.然而,仅考虑单模态数据的主题分析算法不能精准地把握整个舆情事件的真相,存在主题提取不准确、个人情感先入为主等问题.提出一种基于LDA的多模态数据主题分析算法MD_LDA(multimodal data topic analysis based on LDA).通过对各模态主题分析结果进行决策级融合来计算多模态的主题分析结果,进而解决传统方法对多模态数据考虑不全面的缺陷.实验结果表明,针对多模态舆情事件,在主题词的提取效果上,所提出的MD_LDA算法优于单一模态数据进行主题分析的算法.而相对于传统的关键词提取算法TF_IDF与TextRank和MD_LDA算法的准确率以及主题词提取效率均有所提高,验证了结合多模态数据进行主题分析的MD_LDA算法的有效性.

摘要:提出一种融合稀疏自表示和残差驱动的自适应模糊C均值聚类算法(R²AFCM).该算法的优点主要体现在以下两个方面:1)利用稀疏自表示技术求解样本数据的字典矩阵,并将其表征的全局信息考虑到目标函数中,充分考虑数据分布特点,改进传统模糊C均值聚类算法重点关注局部信息的不足;2)在目标函数中引入加权残差估计正则化项,与自适应模糊聚类算法的正则化项相结合,约束模型训练,有效降低混合噪声对分割结果的影响.在磁共振成像、VOC2012数据集以及自然图像上进行对比实验,结果表明,所提出的聚类算法在添加了20%椒盐噪声和均值为0.4、方差为0.01的高斯噪声,以及50%椒盐噪声和均值为0、方差为0.1的混合噪声下与其他算法相比,具有更高的分割精度和更强的鲁棒性.

摘要:针对易腐品冷链配送环节存在的成本高、碳排放量大、客户满意度低等问题,从易腐品配送的时效性和品质性两方面度量客户满意度,并以此为约束考虑配送过程中的固定成本、运输成本、货损成本、制冷成本、惩罚成本以及碳排放成本,构建以总成本最小为目标的易腐品冷链配送车辆路径优化模型,设计改进遗传算法求解优化模型,分析求解算法的复杂度.数值实验结果表明,所设计的求解算法总能获得总成本更低、产品新鲜度更高以及碳排放量更少的配送方案,同时表明改进的遗传算法相比于传统遗传算法在成本节约以及客户满意度提高方面具有一定优势,在一定程度上验证了所建模型的合理性及求解算法的有效性.

摘要:针对具有两种不同类型部件的温贮备可修系统,基于优先使用权规则,将部件的重试特性和不可靠修理设备引入系统,建立一种新的系统可靠性和成本模型.失效部件由一个不可靠修理设备维修,当正常的修理设备维修失效部件时会发生不完全故障,此时,它或以一定的概率立即被维修,或以一定的概率继续低效维修失效部件.在不完全故障下,修理设备有可能发生完全性故障,完全性故障后会立即被维修.鉴于维修环境的随机波动性,利用PH分布对修理设备的修理时间进行建模,这在一定程度上拓展了模型的适用性.通过概率讨论得到稳态下系统的一些主要性能指标,构建单位时间的总期望成本函数,并就总期望成本关于各参数的敏感性进行分析.通过数值实例展示系统参数对系统稳态性能指标和系统成本的影响,为系统可靠性设计者和决策者提供理论支撑和参考.

摘要:研究一种新的多无人机对地攻击目标分配问题.该问题中攻击方试图通过无人机击毁防御方的高价值目标,防御方试图通过发射拦截导弹对无人机进行拦截,但攻防双方无法事先观察到对方实际采取的目标分配方案.通过分析防御方的拦截导弹目标分配方案对攻击方收益的影响,将问题构建为一个零和矩阵博弈模型,模型的策略空间随无人机、高价值目标、拦截导弹数量的增加呈爆炸式增长.鉴于此,现有算法难以在有效时间内对其进行求解,提出一种基于两阶段邻域搜索的改进Double Oracle(DO-TSNS)算法.实验结果表明,相较于DO、UWMA和DO-NS算法,DO-TSNS算法能够更有效地求解考虑防御方具有拦截行为的多无人机对地攻击目标分配问题.

摘要:在政府补贴政策下,将持股合作战略引入供应链减排决策中,运用微分博弈理论研究供应链的最优决策和动态协调问题.构建集中式决策模型和持股合作前后的分散式决策模型,并分析持股比例和消费者低碳偏好对供应链最优决策、利润和政府补贴政策的影响.研究结果表明:持股合作战略会替代一部分政府补贴政策的作用,且供应链成员合作越密切,政府补贴效果越好.随着持股比例的增加,供应链总利润呈现“U”型变化,只有当持股比例满足一定条件时,供应链成员才愿意选择持股合作,且持股合作战略的实施能够实现供应链协调.消费者低碳偏好的提高会对企业减排产生激励作用,而政府作为政策的制定者不受消费者低碳偏好的影响.

摘要:针对评价信息为概率语言术语且属性权重未知的多属性群决策问题,提出一种新的、基于离平均解距离(EDAS)和共识模型的概率语言多属性后悔理论群决策方法.首先,考虑到现实决策中决策者面对方案选择时会呈现“有限理性”的行为,将后悔理论融入群决策方法的研究中,通过计算决策者的后悔-欣喜值来度量其感知效用;其次,将EDAS方法与概率语言信息处理相结合用于方案排序,并基于最大化偏差法思想,给出一种概率语言多属性决策问题属性权重的确定方法,以得到初始解决方案;然后,对初始解决方案进行共识测度,进一步根据个人属性集得到个人方案集,通过共识模型的动态反馈调整,得到符合大多数决策者意愿的最终解决方案;最后,以共享自行车设计方案的选择为例对所提出方法进行验证,并通过对比分析说明方法的可行性和有效性.

摘要:投资者在实际金融市场中的决策行为往往会受到主观心理认知的影响.考虑参照依赖、敏感性递减和损失厌恶等影响投资决策的心理特征,研究模糊环境下的投资组合选择问题.首先,假设资产的收益为梯形模糊数,依据前景理论中的价值函数,将组合收益转化为体现投资者心理特征的感知价值;然后,以感知价值的可能性均值最大化和可能性下半方差最小化为目标,建立考虑心理特征的模糊投资组合优化模型;接着,为了有效地求解模型,设计一个多种群遗传算法;最后,通过实例分析表明模型和算法的有效性.结果表明,与传统的遗传算法相比,所设计的多种群遗传算法可更有效地求解模型,考虑心理特征的模糊投资组合优化模型能够提升投资者的满意程度,可为实际的投资活动提供决策支持.

摘要:基于深度学习的细粒度污染物浓度预测是一种新兴且具有前景的方法,如何充分利用气象、空间和时间等3大信息是其关键.为了协同融合3大信息,提出一种基于多尺度时空图神经网络的污染物浓度预测模型.该模型利用空气质量模型动态构建多尺度的时空图神经网络,学习污染物之间的动态时空关系.具体为:利用图神经网络学习污染物之间的多尺度空间关系,采用空气质量模型HYSPLIT构建图的结点和边属性,通过基于注意力机制的GRU(gate recurrent unit)学习污染物浓度之间的时序关系.该模型不仅充分考虑了气象、空间和时间3大影响因素,还将3个因素联动起来统一到一个框架内协同学习.该方法与传统的机理模型方法相比具有灵活部署、易于实施的特点.实际项目数据集和公开数据集上的实验表明:与现有先进的基于图神经网络的方法相比,该方法预测的污染物浓度平均绝对误差降低了0.6左右,对称平均绝对百分比误差降低0.005左右.

摘要:针对现有步态识别方法易受拍摄视角、着装变化影响的问题,提出一种融合二维无肩姿态拓扑能量图(shoulderless pose topological energy maps,SPTEM)和三维局部骨骼步态特征(local skeleton gait features,LSGF)的深度学习步态识别方法.首先,利用轻量级BlazePose姿态估计算法提取步态视频序列中的人体姿态拓扑图以生成SPTEM,在提高检测速度的同时减弱衣物变化带来的影响;然后,引入LSGF以弥补单一能量图特征在多变视角情况下识别准确率较低的不足;最后,提出结合注意力机制的时空特征提取网络模型,并在全连接层将双流特征进行一致融合.在CASIA-B数据集上对所提出方法进行验证,并与当前主流的步态识别方法进行比较,结果表明,所提出方法在跨视角和穿大衣/棉衣条件下的步态识别率都有明显提升.