存在危险区域的路径规划问题研究

为解决标准强化学习算法无法直接应用于存在危险区域的兵棋推演路径规划这一问题,文章提出了一种特殊的奖励机制,用来引导强化学习算法解决该问题。在此基础上,设计了一种探索率递减变化的方法,并在不同难度的实验环境中对Q学习算法的ε-greedy、轮盘赌、玻尔兹曼探索三种动作选择策略进行了测试。实验结果表明,按照本文设计的探索率递减变化方法设置探索率时,算法的性能优于其他三种动作选择策略,收敛时间至少缩短了38.4%,实时性和准确性基本满足兵棋推演的要求,可用于解决兵棋推演路径规划问题。     

基于深度学习的图像超分辨率重建方法浅析

图像超分辨率是图像处理中一个经典问题,从低分辨率图像中恢复高分辨率图像的不确定性给问题的求解带来了极大的挑战。作为一个热门的应用领域,从问题提出至今,研究者们提出了许多的解决方法。随着科技进步和深度学习的发展,基于卷积神经网络等的深度学习方法应用于图像超分辨率重建,使得重建图像的质量得到了极大的提高。文章对基于深度学习的图像超分辨率重建的一些较为经典的方法进行了总结与探讨,分析了其中的优势与不足,并指出了目前方法中存在的问题和今后研究可以努力的方向。     

基于ICEEMDAN-ACF的自适应MEMS陀螺信号去噪方法北大核心CSCD

针对基于EMD的MEMS陀螺信号去噪方法中存在模态混叠、Hurst指数筛选法和相关系数筛选法无法准确筛选含噪本征模态函数(IMF)的问题,提出一种基于改进自适应噪声完备集合经验模态分解-自相关函数(ICEEMDAN-ACF)的自适应MEMS陀螺信号去噪方法。首先使用ACF自适应阈值判断信号信噪比,对于包含低能量高频成分的低信噪比信号使用小波软阈值预降噪,之后使用ICEEMDAN算法将陀螺信号分解为多个IMF和一个余项,使用ACF自适应阈值筛选噪声主导IMF,剔除噪声主导IMF后重构陀螺信号。实验表明:文中改进算法在低、中、高信噪比条件下的去噪效果均优于小波软阈值法、EMD-Hurst指数法、EMD-相关系数法和EMD-ACF法。     

社区业主委员会建设与维权现状与对策——以宜昌市西陵区为例

业主作为物业的所有权人,自治权力正逐步加大,这种新形势改变了传统的物业管理模式。本文立足先期调研数据,从小区管理模式及物业管理现状两方面实证分析,总结业委会覆盖工程的落实情况及存在问题,剖析问题成因,并提出相应的解决措施。     

基于时间序列组合逻辑运算的智能视频监控报警算法

针对智慧小区视频监控中多目标的判别与报警问题,提出一种基于时间序列组合逻辑运算的智能视频监控报警算法。为实现在多摄像机、多触发事件的协同工作,以完成对目标的检测、跟踪及分析,构建了各触发事件之间依据逻辑与、或、非等组合逻辑运算规则来满足智能监控的要求;其次,引入事件触发时间、顺序及优先级别等因素,构建基于时间序列的监控系统报警组合逻辑运算算法,所有触发事件按时间序列组合逻辑运算规定,触发视频监控系统报警。实验结果表明,所提算法可综合应用多视频信号源实现多触发信号混合使用与报警,实现安全可控、精确便捷的智能化监控。     

基于级联CNNs的非约束车牌精确定位

为解决单一深层卷积神经网络用于非约束场景下车牌定位时,所输出的矩形检测框对非正面车牌定位效果不佳的问题,提出将目标检测与目标分类CNN网络级联,通过检测网络得到感兴趣区域,接着利用轻量级分类网络,将车牌顶点检测问题转化为回归问题。首先,利用YOLOv3网络进行粗定位,获取图像中所有车牌的候选区域;然后,使用基于MobileNetV3改进的轻量级神经网络定位候选区域中的车牌顶点,实现车牌区域精定位;最后,通过透视变换将车牌区域投影到矩形框内实现车牌校正。实验结果表明,所提出的级联CNNs能够有效解决单一CNN目标检测网络仅能输出矩形检测框,而不适用于非约束车牌定位的问题,具有较好的应用价值。     

一种基于改进YOLO v3的安全帽检测方法

在工地生产与建设中,工人由于未正确规范佩戴安全帽而发生的安全事故时有发生,为了保护工人的安全与降低由于为佩戴安全帽就进入施工现场而引起的意外事件的发生,提出了一种基于改进YOLOv3算法的安全帽佩戴检测方法。通过反卷积模块对网络进行上采样而增加网络在小物体上的表达能力来提高网络的检测准确度。理论分析与实验结果表明,改进的D-YOLOv3网络在检测速率不下降的情况下,mAP(Mean Average Precision)达到了88.8%,其准确率相较于YOLOv3有一定的提高,所提出的算法满足安全帽检测任务的准确性与实时性的要求。     

AngularJS自定义指令的开发及应用

伴着互联网的快速发展,Web各种开发技术如雨后春笋般地涌现,以适应互联网的业务需求.Web前端技术是Web开发中一个不可或缺的关键环节,因为现代互联网对Web前端技术的要求越来越高.AngularJS是Google公司推出的一款轻量级MVC模式的JavaScript框架,完美地通过将视图、数据模型和行为进行分离而实现MVC模式.AngularJS的创新之举就是用户可以自己定义指令,实现特定的功能,因此AngularJS已经成为最受广大开发者欢迎和引领潮流的前端技术.     

基于强化学习的对抗预训练语言建模方法

在大规模无监督语料上的BERT、XLNet等预训练语言模型,通常采用基于交叉熵损失函数的语言建模任务进行训练。模型的评价标准则采用困惑度或者模型在其他下游自然语言处理任务中的性能指标,存在损失函数和评测指标不匹配等问题。为解决这些问题,该文提出一种结合强化学习的对抗预训练语言模型RL-XLNet(Reinforcement Learning-XLNet)。RL-XLNet采用对抗训练方式训练一个生成器,基于上下文预测选定词,并训练一个判别器判断生成器预测的词是否正确。通过对抗网络生成器和判别器的相互促进作用,强化生成器对语义的理解,提高模型的学习能力。由于在文本生成过程中存在采样过程,导致最终的损失无法直接进行回传,故提出采用强化学习的方式对生成器进行训练。基于通用语言理解评估基准(GLUE Benchmark)和斯坦福问答任务(SQuAD 1.1)的实验,结果表明,与现有BERT、XLNet方法相比,RL-XLNet模型在多项任务中的性能上表现出较明显的优势: 在GLUE的六个任务中排名第1,一个任务排名第2,一个任务排名第3。在SQuAD 1.1任务中F₁值排名第1。考虑到运算资源有限,基于小语料集的模型性能也达到了领域先进水平。     

基于ARIMA改进的实时动态滑坡预测模型

针对应急救援环境下,滑坡实时动态位移测量存在数据波动范围广、噪声大、模态混叠等问题,提出了一种基于CEEMDAN-Kmeans-ARIMA的组合预测模型。首先基于自适应噪声完备集合的经验模态分解算法,将添加PPP定位偏差噪声的斋藤模型信号分解为多个本征模态函数,并且根据K-means聚类算法将物理意义相近的本征模态函数进行聚类重构;然后针对多个聚类重构分量,构建最优的差分自回归移动平均预测模型;最后将聚类重构分量的预测值进行叠加,得到组合模型的预测值。实验结果表明,组合模型的MAPE指标相对于ARIMA单模型提高了2.16%,解决了ARIMA预测模型存在的突变量不敏感、剩余滑坡预测时间不准等问题。在救援环境下,采用所提出的模型对实时动态滑坡进行预警预测具有一定的工程应用价值。