使用交互多模型算法的高速高机动目标跟踪

对机动目标进行跟踪一直是甚具挑战性的问题,特别是跟踪高速高机动目标在理论上和实践上都有较高的技术难度。现有各种算法在这个问题上均有各自的缺点和不足。该文在现有的运动机动模型和IMM算法的基础上,提出了使用多种机动模型交互的IMM算法进行高速高机动目标跟踪。不同机动模型之间的互补使这种算法克服了使用单一模型的一些问题。使用“当前”统计模型、二级滤波模型和CV模型进行交互是一种可行的高速高机动目标跟踪方案。为验证算法的有效性,进行了Monte Carlo仿真。仿真结果表明,该算法在性能和计算复杂度之间取得了较好的平衡,有很好的可实现性。     

面向原油总氢物性预测的数据扩增预处理方法

针对原油总氢物性回归预测中核磁共振光谱数据不足的问题,结合深度学习相关理论,提出一种光谱数据扩增预处理方法.根据样本输入和标签的相关系数,在原始样本中加入随机噪声以生成虚拟样本;处理样本数据结构以利于卷积神经网络特征提取,并加入数据冗余改进该结构以进一步提高数据特征提取的完整性;搭建实现原油总氢物性回归预测的卷积神经网络(Regression forecasting convolutional neural network,RF-CNN).实验结果表明,对于总氢物性的回归预测,该数据扩增预处理方法不但可以解决原始数据训练中的过拟合现象,而且相比于传统的偏最小二乘(PLS)回归方法,更具稳定性和精确性.     

基于元学习的自适应视频流算法

针对现有的码率自适应(adaptive bitrate, ABR)算法存在控制规则简单，不能有效提升用户体验质量(quality of experience, QoE),提出一种基于元学习的LABR(reinforcement learning based ABR)算法。采用策略梯度训练策略网络，利用元学习(meta-learning)方法学习基线(baseline)函数来减少因网络吞吐量差异产生的方差，进一步提高模型的准确性和鲁棒性；通过在策略函数中加入熵损失方法提高累计期望奖励值。实验结果表明，LABR算法具有泛化性与鲁棒性，能有效提高用户的视频体验质量。