自适应权重

摘要： 行人重识别旨在跨监控设备下检索出特定的行人目标.由于不同的行人可能具有相似的外观,因此要求行人重识别模型能够捕捉到充足的细粒度特征.本文提出一种融合属性特征的行人重识别的深度网络方法,将行人重识别和属性识别集成在分类网络中,进行端到端的多任务学习.此外,对于每张输入图片,网络自适应地生成对应于每个属性的权重,并将所有属性的特征以加权求和的方式结合起来,与全局特征一起用于行人重识别任务.全局特征关注行人的整体外观,而属性特征关注细节区域,两者相互补充可以对行人进行更全面的描述.在行人重识别的主流数据集DukeMTMC-reID和Market-1501上的实验结果表明了本文方法的有效性,平均精度均值(Mean average precision,mAP)分别达到了74.2%和83.5%,Rank-1值分别达到了87.1%和93.6%.此外,在这两个数据集上的属性识别也得到了比较好的结果.

摘要： 近年来,集成学习方法因其在多分类系统中具备良好的泛化性能而成为关注热点,然而,传统采样方法生成的基分类器存在相似度高、集成后泛化能力不足等问题,为此,提出一种基于监督学习的分类器自适应融合方法AEC_SL,该方法先采用高斯混合模型聚类算法将训练集划分为有监督的样本簇,然后在每个类簇上使用随机森林算法得到差异化的分类器,在此基础上进一步提出结合近邻类簇相似度和基分类器局部适应度的动态加权方法,从而得到优化的自适应分类器组合。在标准UCI数据集上的实验结果表明本文提出的AEC_SL方法比传统的分类器集成方法具有更好的分类性能。

摘要： 为解决四足机器人在其质心偏离躯干几何中心时的稳定性问题,提出了一种基于改进粒子群算法的优化方法。使用基于Hopf模型的振荡器搭建中枢模式发生器(central pattern generator,CPG)网络拓扑结构,通过对足端进行轨迹规划进而确定CPG模型相关参数,并对CPG单元间的耦合系数矩阵进行优化,使其能够输出正确的步态信号;之后采用自适应调整权重粒子群算法,通过不断迭代快速寻找输出模型的最优参数组合,解决由于重心偏移带来的稳定性问题。利用Webots和MATLAB对所提出的优化方法进行仿真实验,仿真结果证明该方法能够快速、有效地提高四足机器人在重心偏移情况下的运动稳定性。

摘要： 封面图片来自本期论文"基于混合算法的自由曲面网格结构多目标优化",是哈尔滨工业大学土木工程学院空间结构研究中心曹正罡教授课题组提出的一种混合多目标优化算法原理图。该算法具体步骤如图所示,首先基于随机方式在决策空间内生成初始种群,即为第一代父代种群,同时结合目标函数敏感度及自适应权重调整更新种群粒子,加快算法的收敛过程。粒子更新后,选择种群中的粒子进行交叉、变异,其中交叉操作可提升算法的搜索能力,变异操作不仅能增强算法的局部随机搜索能力,而且在一定程度上能防止出现早熟现象。继而将生成的子代种群与父代种群合并,并进行约束非支配排序,最后根据约束非支配排序以及拥挤距离,通过精英保留策略生成新一代父代种群。

摘要： 针对鲸鱼优化算法(WOA)在解决高维复杂问题时存在收敛速度慢、全局搜索能力不足的问题,提出一种最优最差个体混合反向学习的WOA(MWOA)。首先,引入一种自适应惯性权重,用于调节寻优前期的步长和寻优后期的种群多样性;其次,提出一种混合反向学习策略并将其融入WOA,以提高算法的收敛精度;最后,引入一种参数非线性衰减策略,以提高其在高维度以及复杂问题上的探索开发能力和收敛速度。将MWOA与WOA、MS-WOA、IWOA对10个基准函数的优化效果进行比较,结果表明MWOA在收敛速度、优化精度上相较对比算法均有所提升。另外,将MWOA与CODE、CPSO、EGWO和DIHS进行比较,结果表明MWOA具有较好的收敛精度。

摘要： 大数据时代,海量多模态数据的广泛存在使得数据特点发生了巨大变化:数据种类繁多且价值密度低。不同种类的数据既独立发挥作用又彼此相辅相成,发现多模态数据背后的隐藏价值成为大数据挖掘的关键。文中主要针对多模态数据的低质性问题,提出一种新的多模态鲁棒特征学习方法。该方法通过引入模态误差矩阵来有效降低噪声数据对融合结果的影响,使算法具备一定的鲁棒性。此外,设计数据流形与特征流形双图正则化机制,描述模态数据的双重空间结构,确保融合过程中数据的稳定性。在6个实际的多模态数据集上,基于准确性(Accuracy,ACC)、标准化互信息(Normalized Mutual Information,NMI)以及纯度(Purity,PUR)3种评价指标,将其与近年来的多种经典算法进行比较。实验结果显示,所提方法优于所有对比算法,尤其在含有大量噪声信息的网络数据集Webkb上表现突出,其ACC和NMI指标相比基线算法提升约10%,表明该算法实现了对多模态大数据共享特征的准确学习。

摘要： 近年来,随着计算机辅助诊断系统和远程医疗在医学中的快速发展,数字图像处理非常关键。图像的边缘涵盖了大部分的图像信息,医学图像边缘检测是进行后续图像处理的基础。因此,研究医学图像边缘检测具有重要实际意义。基于医学图像成像过程中光源单一以及探测手段的影响,会导致图像噪声分布不均一,往往夹杂多种不同噪声,本文针对医学图像的特性提出了一种改进的形态学算法,包含以下三种优势。第一,自适应权重赋值。对于多方向结构元素,本文算法根据边缘马氏灰度距离自适应赋值各个方向的权重;对于多尺度多形状结构元素,根据信息熵自适应赋值各个结构元素的权重。第二,改进的形态学算子。基于现有算子检测边缘锯齿状、抗噪效果不显著的缺点,本文算法中提出了一种新型抗噪形态学算子。第三,应用于混合噪声彩色医学图像边缘检测。基于现今形态学常应用于灰度图像,为了验证本文算法的鲁棒性,将本文算法应用于四种混合噪声彩色图像进行边缘检测,检测效果良好。最后本文通过视觉直观分析和客观评价指标验证了本文算法均好于其它算法。实验结果表明本文算法提取到的图像边缘完整且清晰,对多种不同混合噪声的抑制和消除也有明显的优势,在医学图像研究中具有很好的应用价值。

摘要： 针对原始鲸鱼优化算法(WOA)收敛速度慢、全局搜索能力弱、求解精度低且易陷入局部最优等问题,提出一种混合策略来改进的鲸鱼优化算法(LGWOA)。首先将莱维飞行引入鲸鱼全局搜索的公式中,通过莱维飞行加大全局搜索步长,扩大搜索空间、提高全局搜索能力;其次,在鲸鱼螺旋上升阶段,加入一个自适应权重参数来提高算法的局部搜索能力和求解精度;最后结合遗传算法的交叉变异思想平衡算法的全局搜索和局部搜索能力,维持种群的多样性,规避陷入局部最优。通过对12个基准测试函数从2个角度进行实验对比分析,结果表明,基于混合策略改进的鲸鱼优化算法在收敛速度和求解精度上均有明显提升。

摘要： 针对传统粒子群算法易陷入局部最优解、收敛速度慢和收敛精度低的问题,提出一种新的基于模拟退火的粒子群优化算法,采用正弦自适应权重策略,提高算法的收敛速度和收敛精度,增强算法的全局搜索能力。采用4种基准函数对所提出的算法进行仿真测试,并与其他几种粒子群算法进行横向对比,通过仿真实验验证了所提出的基于模拟退火的粒子群算法具有更好的收敛速度和收敛精度。

摘要： 针对鲸鱼优化算法(whale optimization algorithm,WOA)“早熟收敛”的缺陷,文章提出一种改进的鲸鱼优化算法(modified whale optimization algorithm,MWOA)。该算法在WOA的基础上嵌入自适应权重来协调算法的全局搜索与局部开发,同时引入反向学习策略和相关性指标优化全局极值,指引种群向更有希望的区域运动,提高算法的开发效率;利用4个基准测试函数对MWOA性能进行测试,结果表明算法性能得到了有效提升;基于有限元仿真分析,运用MWOA算法优化汽车正面100%碰撞工况下乘员约束系统性能,结果表明,该算法极大地改善了乘员约束系统的性能。

摘要： 区域医疗云平台下,医生在问诊时需要查询来自各家医疗机构的病人医疗数据,而各医疗机构通过部署在机构内的前置机完成所分配到的查询子任务.如何根据医疗数据查询任务的规模以及各前置机的数据处理能力和使用成本对查询任务进行调度分配,是区域医疗云平台中需要解决的一个重要问题.综合考虑医院前置机的数据处理能力及使用成本,提出了一种双适应度的自适应权重粒子群算法,通过自适应地实时调整粒子速度更新的惯性权重,加快搜寻最优粒子的速度,保证求解的医疗数据查询任务调度方案兼具时间最优及成本最优,最大限度的提高区域医疗云平台中医疗数据查询的效率.实验结果验证了所提出算法的有效性.

摘要： 情感识别是人机交互领域的重要问题之一。语音和脸部肌肉动作信息是用于情感识别的两个最重要的模态。本文认为，在双模态情感识别中，给不同的特征赋予不同的权值有利于充分利用双模态信息，并且提出了一种基于Boosting的双模态信息融合方法，它能够自适应的调整语音和人脸动作特征参数的权重，从而达到更好的识别效果。实验表明，该方法能够更好的区分易混淆的情感状态，得到更高的情感识别率。

摘要： 在求解多目标的最优问题过程中，传统的算法大多采用固定权重和方式将多目标模型简化为单一目标，采用固定罚因子的罚函数法处理不等式约束.但是由于权重值的固定，导致了搜索方向的单一化，而且罚因子的不当选取也会导致过度惩罚或影响算法收敛效果，而模糊隶属度算法则存在随考虑目标的增加而耗时增加的缺陷.本文引入了自适应权重和因子及自适应罚函数的概念，提出一种基于自适应性的遗传算法，将其应用于多目标无功优化.算例证明，该算法能保证寻优方向的,并能弥补模糊隶属度算法耗时的不足.在寻优过程中，自适应罚函数法能有效利用不可行解的有利信息，对不可行解适度惩罚，是解决多目标无功优化问题的有效方法.

摘要： 本发明提供一种权重自适应横纵向耦合跟踪控制方法及系统，系统涉及自动驾驶技术领域，方法通过获取车辆行驶方向道路中的车道线信息，形成跟踪轨迹曲线；确定被控车辆当前绝对位置，以及与期望轨迹曲线的相对位置；将选取多个目标点，结合当前位置生成多个期望跟踪的速度矢量，计算参考速度矢量及实际速度矢量之间的跟踪误差，通过权重自适应模块计算器根据当前曲率和速度进行权重矩阵的决策；加速度决策模块利用速度矢量跟踪误差及权重矩阵，进行加速度决策，得到期望的最优纵向加速度和横向加速度；利用执行控制模块控制方向盘、加速踏板和制动踏板，对期望加速度进行跟踪，最终实现横纵向耦合跟踪控制的目的。

摘要： 揭示了一种使用能够利用自适应信道均衡器(300)中的目标权重矢量中的稀疏性的自适应算法的设备(320)和方法。自适应算法包括选择的先验值和选择的费用函数值。本发明包括适合于计算用于稀疏传输信道的自适应均衡器系数的算法。本发明提供具有稀疏最小均方(LMS)算法，稀疏恒定模数(CMA)算法和稀疏判决引导的(DD)算法形式的稀疏算法。

摘要： 本发明公开了一种基于双级梯度权重自适应优化的多任务学习智能故障诊断方法，包括：一、多任务损失加权与模型参数更新；二、基于双级梯度的权重优化；三、基于先验约束的权重调整；四、多任务智能故障诊断。本发明针对多任务智能故障诊断中多任务权重的分配问题，提出了模型参数与任务权重联合优化机制，通过任务级、层级梯度完成任务权重的稳定协同优化，进而通过先验约束完成优化权重的针对性调整，实现了训练过程中多任务权重的动态、自适应分配，以此提升了多任务信息融合的完备性以及智能故障诊断的准确性。本发明提出的多任务学习智能诊断方法不依赖特定模型架构，具有良好的可扩展性，在多任务故障诊断场景下具有较高的适用性与应用价值。

摘要： 本发明公开了一种虹膜和人脸权重自适应的多模态识别方法，其主要步骤包括：1)对采集到的虹膜和人脸图像进行多级质量评估，得到虹膜和人脸图像的各级质量评估分数。2)依据质量评估分数调节虹膜和人脸所占权重比，实现虹膜和人脸两种模态在匹配层加权加法融合权重的自适应优化。本发明有效提高了传统虹膜和人脸多模态身份识别系统的识别精度和准确率，同时解决了因人脸或虹膜某一生物特征局部遮挡导致用户身份无法识别的弊端，特别是新冠疫情引起的佩戴口罩遮挡导致无法识别的问题。

摘要： 本发明公开了一种基于并联注意力和双流权重自适应的动作识别方法，分别对RGB序列和深度序列采用三维度并联注意力卷积网络提取序列特征，得到序列的运动特征表示；同时提前融合两个序列，采用三维度并联注意力卷机网络提取共同特征；将共同特征生成的门控矩阵G作为权重协调因子，来动态协调RGB和深度特征的融合权重，得到可区分度高的融合特征F；最后，融合特征F在经过全连接层后，输入到动作分类器中，输出动作识别结果。本发明通过并联、同步且互不干扰的方式，提取更可靠的特征信息，以进一步提高对上下文动作视频识别的鲁棒性。

摘要： 本发明公开了一种基于滑窗权重回归的视频自适应锐化的方法及系统，通过构建基于滑窗权重回归的神经网络模型，以神经网络模型回归每帧图像中每个像素位置及其8邻域的权重；采用get_weights函数获取神经网络模型的训练权重，得到维度为[1,9,height,width]的特征，使图像的每个像素位置输出9个权重；将当前像素及其8邻域，根据相应的9个权重进行加权，得到锐化后的图像。不需要设置参数就能够自适应处理多种视频场景，能够达到实时处理的要求，更能突出图像的边缘和细节。

摘要： 一种自适应天线接收装置包括：提供给多个用户共用的多波束形成器(1)，它用于将阵列天线中由各个天线所接收到的天线对应的扩频信号转换成与波束对应的扩频信号；被提供用于上述多个用户之一的接收及解调部分(2)，它在来自于与波束对应的扩频信号的路径定时上产生与波束对应的相关信号，通过利用可以自适应更新的自适应权重对与波束对应的相关信号进行加权而产生路径信号，并且通过合成该路径信号而为上述一个用户产生一个解调信号。

摘要： 一种自适应天线接收装置包括:提供给多个用户共用的多波束形成器(1),它用于将阵列天线中由各个天线所接收到的天线对应的扩频信号转换成与波束对应的扩频信号;被提供用于上述多个用户之一的接收及解调部分(2),它在来自于与波束对应的扩频信号的路径定时上产生与波束对应的相关信号,通过利用可以自适应更新的自适应权重对与波束对应的相关信号进行加权而产生路径信号,并且通过合成该路径信号而为上述一个用户产生一个解调信号。

摘要： 本发明提供一种自适应权重的多分类通用集成方法。与通常的集成分类方法只针对一种分类任务不同，本发明面对不同的分类问题，首先确定权重调配系数，然后利用指数函数分布特性，根据模型评价指标与权重调配系数自动计算一次模型融合的权重，最后通过不断迭代的方法自适应地调整融合权重，实现不同分类任务下的模型融合。实验表明，本发明方法在9个不同分类个数、不同领域、不同规模的数据集上都能实现模型融合，其融合效果在大部分任务上优于基线方法。与单个模型相比，用本发明方法融合后的结果F1值稳定增加了3‑25个百分点；与其他集成方法相比，F1值稳定提升了1‑2个百分点，证明了本发明方法的通用性和有效性。

摘要： 本发明涉及一种基于自适应权重学习的红外与可见光图像融合方法，基于像素级注意力机制与融合权重自适应生成构建了深度特征自适应提取模块，并通过跨层级级联方式基于深度特征自适应提取模块搭建了生成器网络；基于孪生网络思想，搭建了双通道鉴别器网络；将红外与可见光图像进行初步的连接操作后输入至生成器后生成融合图像，通过生成器与判别器的博弈对抗完成红外图像与可见光图像的融合生成；本发明融入了像素级注意力机制以及层次级联思想，能够降低网络参数量的情况下增强网络深度特征提取能力，提高红外与可见光图像的融合图像生成质量，实现了红外图像与可见光图像的融合增强。