基于改进损失函数的YOLOv3网络

为了提高卷积神经网络在目标检测的精度,本文提出了一种基于改进损失函数的YOLOv3网络.该网络模型应用一种新的损失函数Tan-Squared Error （TSE）,将原有的平方和损失（Sum Squared Error,SSE）函数进行转化,能更好地计算连续变量的损失;TSE能有效减低Sigmoid函数梯度消失的影响,使模型收敛更加快速.在VOC数据集上的实验结果表明,与原网络模型的表现相比,利用TSE有效提高了检测精度,且收敛更加快速.     

基于余弦代价函数T/4分数间隔盲均衡算法—Simulink仿真

在对T/4-FSE-CMA算法研究分析的基础上,针对非常模QAM信号,提出了一种基于余弦代价函数T/4分数间隔盲均衡算法（T/4-FSE-CCF）。该算法将CMA的代价函数用构造的余弦代价函数来替代;新算法摆脱了CMA对统计模值[R]的依赖,且均衡器理想均衡时该算法的的稳态均方误差（Mean Square Error,MSE）为零。通过MAT-LAB的[M]文件对T/4-FSE-CCF的性能进行验证,在获得算法最佳性能时的参数值后,进一步由这些参数搭建了T/4-FSE-CCF的Simulink仿真模型。     

基于信号强度测距的最小均方误差定位算法

针对室内视距（LOS）和非视距（NLOS）混合环境下的定位精度不高的问题,提出基于信号强度测距的最小均方误差定位（Strength Ranging-based Minimum Mean Square Error localization,SRMSL）算法。SRMSL算法先建立基于超宽带（ultra wide band,UWB）的测距模型,并分别构建在LOS和NLOS环境下的最小均方误差函数,再估计未知节点位置。利用中值函数滤除异常的抽样值,有效辨识NLOS环境下的测距信息。仿真和实验结果表明,提出的SRMSL算法在定位精度方面优于M估计和最小中值平方估计。     

基于改进粒子群算法的RBF神经网络磨机负荷预测研究

磨机负荷是评价磨机运行状态和预测磨机行为的重要指标,针对粉磨机磨矿过程中负荷难以检测和不能准确判断负荷状态的问题,提出了一种基于改进型粒子群算法（Improved particle swarm optimization, IPSO）优化径向基神经网络（Radial Basis Function,RBF）参数的磨机负荷预测模型（IPSO-RBF）,使惯性权重因子在迭代过程中非线性下降,平衡局部搜索能力与全局搜索能力之间的矛盾,该算法能快速准确地找到最优解,提高粉磨机磨机负荷的预测精度。通过水泥厂的实测数据实验对比,结果表明,基于IPSO-RBF模型的预测精度最高,其预测结果与真实值相比较,均方根误差（Root Mean Square Error,RMSE）、均方误差（Mean Square Error,MSE）、平均绝对误差（Mean Absolute Error,MAE）、平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）和决定系数（coefficient of determination,）分别为0.210 2、0.044 2、0.161 7、1.778%和0.978 2。     

基于ISSA-LSTM的热舒适短期预测模型

为解决在测试日内的短期预测过程中,农村城镇人体热舒适中建筑惰性及人员等随机因素使人体感受变化的样本对预测结果影响大而导致预测精准度低的问题,提出基于改进麻雀搜索算法（Improvement Sparrow Search Algorithm, ISSA）优化长短期记忆神经网络（Long Short-Term Memory Neural Network, LSTM）的方法建立新型户用空调热舒适短期预测模型。首先,对测试日气象数据进行动态性分析,对数据进行有效性验证并构建多种热舒适预测模型;随后选用新型户用热舒适短期预测模型（ISSA-LSTM）对热舒适进行预测。结果表明,模型的最高预测均方误差（Mean Squared Error,MSE）比麻雀搜索算法（Sparrow Search Algorithm,SSA）和蜣螂优化算法（Dung beetle optimizer,DBO）优化LSTM分别提高了0.02296和0.10827,采用ISSA-LSTM方法后改善了短期热舒适预测的精度问题,并提高了分体式空调通过热舒适来控制温度的性能。     

一种适用于 LTE 上行链路的低复杂度信道估计算法

提出了一种适用于3GPP长期演进（Long Term Evolution,LTE）系统上行链路的信道估计算法。为了降低抑制噪声过程中信道能量的损失,该算法对最小二乘（Least Square,LS）算法的时域结果采用从中间向两端搜索的方式进行能量检测。仿真结果表明,该算法与LS算法、传统的基于DFT的估计算法、线性最小均方误差（Linear Minimum Mean Square Error,LMMSE）算法及负指数LMMSE算法相比,性能良好,且易于实现,具有很好的实用性。     

基于深度强化学习算法的蜂窝网络功率控制

为了更加有效地利用频谱资源,提高频谱效率,在蜂窝网络中提出了频谱效率最大化问题,建立了最大发射功率约束下的功率控制模型。同时,为了解决信道状态信息不完美和迭代时间过长的问题,采用深度Q学习（Deep Q-Network,DQN）算法进行功率控制。另外,使用Python仿真,将基于DQN的算法与加权最小均方误差（Weighted Minimum Mean Square Error,WMMSE）算法和分数规划（Fractional Programming,FP）算法相对比,结果表明提出的基于DQN的算法在归一化性能和累计分布概率上接近最优,可以得到更高的频谱效率。     

基于生成对抗网络的多聚焦图像融合

多聚焦图像融合能够融合同一场景下具有不同聚焦部分的一系列图像.为了克服多聚焦图像融合模糊特征提取中存在的不足,提出一种基于U-Net的生成对抗网络模型.首先,生成器采用U-Net和SSE对多聚焦图像的特征进行提取,并完成图像融合;其次,判别器采用卷积层对已知的融合结果和生成器生成的融合图像进行分辨;然后,损失函数采用生成器的对抗损失、映射损失、梯度损失、均方误差损失和判别器对抗损失对生成网络进行参数调节;最后,将生成器、判别器和损失函数组成生成对抗网络模型,并进行实验.Pascal VOC2012数据集作为生成对抗网络的训练集,包括近焦图像、远焦图像、映射图像和融合图像.实验结果证明,该生成对抗网络模型能够有效地提取多聚焦图像中的模糊特征,且融合图像在互信息、相位一致性和感知相似性等方面表现优异.     

基于交叉熵算法的NC-OFDM系统导频设计

交叉熵算法是目前逐步优化而形成的的一种计算方法,在解决多种优化组合的问题上具有较好的性能。在基于信道均方误差的准则下,本文基于交叉熵算法,提出一种适用于非连续正交频分复用（Non-contiguous Orthogonal Frequency Division, NC-OFDM）系统上的导频设计方法。该方法先按照伯努利分布生成导频位置的随机样本,得出信道估计的最小均方误差（Minimum Mean Square Error, MSE）的样本值,然后通过更新规则对分布参数进行更新,经过几次迭代得到较优的导频位置。仿真结果表明,使用该方法得到的信道具有更好的MSE性能及误比特率(Bit Error Rate,BER)性能。     

改进视觉背景提取模型的前景目标检测算法

针对经典视觉背景提取算法（ViBe）在动态背景场景下检测精度不高,以及长时间存在鬼影的问题,提出一种改进的视觉背景提取算法.该方法在背景模型初始化阶段考虑到像素点之间的颜色相似性以及空间距离,选取像素点邻域内的同质像素点对背景模型进行初始化;根据场景动态程度自适应调整每个像素点的阈值以及背景模型更新的速率,改善了在动态背景场景下的检测精度;根据光流判断像素点是否存在运动来把真实前景目标和鬼影区分开来并及时对背景模型进行修正,从而尽快消除鬼影现象.使用changedection测试集进行测试,改进后的ViBe算法在能提取到较完整前景目标的同时,检测准确率相比原始ViBe算法也有所提高.     

Design of Neural Network Based Wind Speed Prediction Model Using GWO

The prediction of wind speed is imperative nowadays due to the increased and effective generation of wind power. Wind power is the clean, free and conservative renewable energy. It is necessary to predict the wind speed, to implement wind power generation. This paper proposes a new model, named WT-GWO-BPNN, by integrating Wavelet Transform (WT), Back Propagation Neural Network (BPNN) and Grey Wolf Optimization (GWO). The wavelet transform is adopted to decompose the original time series data (wind speed) into approximation and detailed band. GWO – BPNN is applied to predict the wind speed. GWO is used to optimize the parameters of back propagation neural network and to improve the convergence state. This work uses wind power data of six months with 25, 086 data points to test and verify the performance of the proposed model. The proposed work, WT-GWO-BPNN, predicts the wind speed using a three-step procedure and provides better results. Mean Absolute Error (MAE), Mean Squared Error (MSE), Mean absolute percentage error (MAPE) and Root mean squared error (RMSE) are calculated to validate the performance of the proposed model. Experimental results demonstrate that the proposed model has better performance when compared to other methods in the literature.     

基于NARX神经网络的热负荷预测中关键影响因素分析

在区域供热（DH）网络中,精确预测热负荷已被认为是提高效率和节省成本的重要环节。为了提高预测精度,研究不同影响因素对热负荷预测的影响极为重要。使用引入不同影响因素的数据集训练得到带外部输入的非线性自回归（NARX）神经网络模型,并比较其预测性能,以讨论直接太阳辐射和风速对热负荷预测的影响程度。实验结果表明,直接太阳辐射和风速都是热负荷预测中的关键影响因素。只引入风速时,预测模型的平均绝对百分比误差（MAPE）和均方根误差（RMSE）均低于只引入直接太阳辐射,同时引入风速和直接太阳辐射能够得到最佳的模型预测性能,但是对于MAPE和RMSE降低的贡献不大。     

基于像素级注意力机制的人群计数方法

针对人群分布不均和网络学习参数众多问题,提出了一种由像素级注意力机制（PAM）和改进的单列人群密度估计网络两部分组成的高密度人群计数方法。首先,使用PAM通过对人群图像进行像素级别的分类来生成高质量的局部人群密度图,利用全卷积网络（FCN）生成每个图像的密度掩码,将图像中的像素分为不同的密度级别;然后,以生成的密度掩码为标签,使用单列人群密度估计网络以更少的参数学习到更多的代表性特征。在此之前,在Shanghaitech数据集part_B部分、UCF_CC_50数据集以及WorldExpo'10数据集上,拥塞场景识别网络（CSRNet）方法的计数误差最小。将所提方法与CSRNet方法的误差结果对比,发现所提方法在Shanghaitech数据集part_B部分的平均绝对误差（MAE）和均方误差（MSE）分别降低了8.49%和4.37%;在UCF_CC_50数据集上的MAE和MSE分别降低了58.38%和51.98%,优化效果显著;在WorldExpo'10数据集上的整体平均值部分的MAE降低了1.16%。实验结果表明,在针对人群分布不均的高密度人群计数时,结合PAM和单列人群密度估计网络的方法能够有效提高高密度人群计数的精确度和训练效率。     

用于图像分割的强制召回特征注意力网络

为解决医学图像中前景背景比例严重失衡及小目标区域难以分割的问题,该文提出了一种 基于高斯图像金字塔的注意力网络。具体地,首先在特征解码阶段将空间信息与抽象信息进行特征融 合;其次,设计了一个特征召回器以强制编码器减少遗漏感兴趣区域的特征;最后,引入分类精度和 全局区域重叠项组成的混合损失函数来处理医学图像前景背景严重不平衡问题。所提出的方法在膝关 节软骨数据集和 COVOID-19 胸部 CT 数据集中进行了验证,其分割区域分别占 2.08% 和 10.73%。与 U-Net 及其主流变体相比,该方法在两个数据集上都得到了最佳的 Dice 系数,分别为 0.884±0.032 和 0.831±0.072。     

基于评分相似性的群稀疏矩阵分解推荐算法

如何提高系统的推荐精度,是当前推荐系统面临的重要问题。对矩阵分解模型进行了研究,针对评分数据的群结构性问题,提出了一种基于评分相似性的群稀疏矩阵分解模型（SSMF-GS）。首先,根据用户的评分行为对评分数据矩阵进行分群,获得相似用户群评分矩阵;然后,通过SSMF-GS算法对相似用户群评分矩阵进行群稀疏矩阵分解;最后,采用交替优化算法对模型进行求解。所提模型可以筛选出不同用户群的偏好潜在项目特征,提升了潜在特征的可解释性。在GroupLens网站上提供的MovieLens数据集上进行仿真实验,实验结果表明,所提算法可以显著提高预测精度,平均绝对误差（MAE）及均方根误差（RMSE）指标均表现出良好的性能。     

一种用于视频对象分割的仿U形网络

在半监督的分割任务中,单镜头视频对象分割(OSVOS)方法根据第一帧的对象标记掩模进行引导,从视频画面中分离出后续帧中的前景对象。虽然取得了令人印象深刻的分割结果,但其不适用于前景对象外观变化显著或前景对象与背景外观相似的情形。针对这些问题,提出一种用于视频对象分割的仿U形网络结构。将注意力机制加入到此网络的编码器和解码器之间,以便在特征图之间建立关联来产生全局语义信息。同时,优化损失函数,进一步解决了类别间的不平衡问题,提高了模型的鲁棒性。此外,还将多尺度预测与全连接条件随机场(FC/Dense CRF)结合,提高了分割结果边缘的平滑度。在具有挑战性的DAVIS 2016数据集上进行了大量实验,此方法与其他最先进方法相比获得了具有竞争力的分割结果。     

基于带squeeze-and-excitation模块的ResNeXt的单目图像深度估计方法

针对目前单目图像深度估计任务缺乏对特征通道之间的全局信息关系表示的问题,提出了一种基于SE-ResNeXt的单目图像深度估计方法。首先,通过建模特征通道间的动态且非线性的关系来提高网络的全局信息表示能力;然后,采用特征重标定策略来自适应地重新校准特征通道的响应,从而进一步提升特征利用率;最后,通过ResNeXt结构在不增加模型复杂度的基础上进一步提升方法的性能。实验结果表明,相比与没有采用ResNeXt结构的算法,该方法获得了更低的误差值,其均方根误差（RMSE）降低了10%,绝对相对误差（AbsRel）降低了27%。     

基于YOLO v3算法改进的交通标志识别算法

针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题,提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层,将卷积过程分解为深度卷积、逐点卷积两部分,实现通道内卷积与通道间卷积之间的分离,从而保证了在较高识别准确率的基础上极大地减少了算法模型参数数量以及计算量。其次,在损失函数设计上使用广义交并比（GIoU）损失替换均方误差（MSE）损失,将评测标准量化为损失,解决了MSE损失存在的优化不一致和尺度敏感的问题,同时将Focal损失加入到损失函数以解决正负样本严重不均衡的问题,通过降低大量简单背景类的权重使得算法更专注于检测前景类。将该算法应用于交通标志任务中的结果表明,在TT100K数据集上,该算法的平均精度均值（mAP）指标达到了89%,相较于YOLO v3算法提升了6.6个百分点,且其参数量仅为原始YOLO v3算法的1/5左右,每秒帧数（FPS）亦比YOLO v3算法提升了60%。该算法在极大地减少模型参数量和计算量的同时,提高了检测速度和检测精度。     

相关向量机超参数优化的网络安全态势预测

针对当前网络安全态势预测方法存在的过学习与欠学习、自由参数多、预测精度不高等问题,提出使用一种改进模拟退火法优化的相关向量机模型(PSA-RVM)来解决网络安全态势预测问题。在预测过程中,首先对网络安全态势样本数据进行相空间重构形成训练样本集;然后,利用Powell算法改进模拟退火(PSA)法,并将相关向量机(RVM)嵌入到PSA算法的目标函数计算过程中,优化RVM超参数,以得到学习能力、预测精度提升的网络安全态势预测模型。仿真实例表明,所提方法具有较高的预测精度,平均相对误差(MAPE)和均方根误差(RMSE)分别为0.39256和0.01261,均优于Elman和PSO-SVR模型;所提方法能够较好地刻画网络安全态势的变化趋势,有助于网络管理人员把握未来网络安全态势发展趋势,从而提前主动采取相应的网络防御措施。