基于改进收缩因子的粒子群优化算法

PSO算法寻优性能优劣受速度更新公式影响,过快的收敛速度可能使算法错过全局最优解;过慢的收敛速度可能会使算法陷于局部最优解。针对该问题,文中提出了一种基于改进压缩因子的PSO优化算法,即FPSO。通过引入压缩因子方程,改进了速度迭代公式,减少了因学习因子设置不当对算法造成的影响。新的调节机制既保证了PSO算法的收敛性能,也削弱了速度边界对算法的影响。最后,选取5个经典函数对算法性能进行测试。测试结果表明,与传统PSO算法相比,文中算法提高了全局收敛能力,缩短了收敛时间。     

基于深度学习的人脸微表情识别

与一般的面部表情相比,微表情的持续时间更短,对其检测和识别是一种巨大的挑战.利用传统的图像识别方法进行微表情识别不仅准确率低,预处理也更复杂.为了开发可靠的神经网络,需要大量的训练集以及大量的标记图像样本.本文基于CASME和CASMEⅡ数据集训练改进的卷积神经网络模型,将特征提取和分类识别结合在一起,充分提取微表情的特征.实验结果表明,该模型的微表情识别效果良好.     

复杂网络下多智能体系统一致性分析

由于传统分析方法无法深入分析多智能体系统拓扑量,因此提出复杂网络下多智能体系统一致性分析.设计一致性考虑协议方程,并根据协议方程推导出一致性拓扑条件方程,总结出多智能体系统复杂网络下一致性结果.通过线路轨迹实验与算例实验得出,复杂网络下多智能体系统一致性分析能验证系统稳定性,并确保多智能体系统一致性运行.     

融合运动信息与表观信息的多目标跟踪算法

多目标跟踪是计算机视觉领域的重要研究方向,其在智能视频监控、人机交互、机器人导航、公共安全等领域有着重要的作用。目前目标跟踪算法仍面临诸多的挑战,例如遮挡、背景复杂、运动模糊等因素所造成的影响难以完全规避。文中基于一种简单的在线跟踪方法,提出一种融合多类信息的算法,有效地提升了跟踪器的性能。模型关注于帧与帧之间的目标检测与数据关联问题,依赖于不同帧之间目标运动与表观的相似性,当目标丢失及存在遮挡时,融合多源信息减少相关的不确定性。同时,该算法在真实环境中可实现实时跟踪的性能。实验评估结果表明,提出的跟踪器在公开数据集上具有良好的性能,可以显著减少目标丢失率以及身份交换率。     

基于Faster R-CNN的钢轨表面缺陷识别研究

外界因素常会干扰钢轨表面缺陷检测仪器,导致其精度和效率降低。文中研究了一种基于Faster R-CNN网络检测钢轨表面缺陷的方法。该方法将预处理后的图像进行反转,利用Radon变换实现钢轨图像的投影。投影曲线中,利用钢轨长度为定值且灰度值小于图像平均值的特性,完成对钢轨表面区域的提取。然后通过区域建议网络提取候选区域,并与Fast R-CNN网络的区域建议对比分析,完成Faster R-CNN网络对钢轨的表面缺陷检测。试验数据表明,裂缝、疤痕、磨损和划伤4种缺陷的识别精度分别为92.17%、91.85%、93.45%和93.27%,证明使用该方法能够高效而又准确地识别钢轨的表面缺陷。     

基于激光轮廓仪的非接触式钢轨廓形检测系统

传统钢轨廓形几何尺寸测量多以手工测量为主,基于激光轮廓仪的高精度廓形检测系统的应用可解决手工测量效率低、误差大的问题。新补充利用中值滤波法对激光轮廓仪采集到的廓形数据进行预处理;通过坐标平移和坐标旋转将坐标系归一化;然后通过二次拟合选择合适的特征点对廓形拼接匹配。经现场测试,钢轨廓形尺寸的重复测量误差小于0.1 mm,绝对测量精度最高可达0.014 mm,满足国家标准对钢轨廓形检测精度的需要,说明该方法有效提高了钢轨的检测效率。     

基于注意力机制的双通道DAC-RNN文本分类模型

在对中文文本进行分类的过程中,由于关键特征在整个文本中具有分布不均匀的特点,容易出现关键特征丢失的问题,降低了分类的准确性。针对这一问题,提出一种基于注意力机制的双通道文本分类模型。将输入文本通过词嵌入进行向量表示,利用Bi-LSTM通道提取文本中的上下文关联信息,利用CNN通道提取文本中连续词间的局部特征。在两个通道中均引入注意力机制进行全局权重分配,使模型能够进一步关注到文本中的关键词。在CNN通道中,将原始输入向量与各层CNN的输出向量进行选择性融合,从而实现特征重利用。在今日头条和THUCNews两个公开数据集上进行性能评估,实验结果表明,与其他分类模型相比,所提模型的分类准确率分别为97.59%、90.09%,具有更好的分类性能。