融合注意力与时域多尺度卷积的手势识别算法

针对基于深度学习的动态手势识别方法网络规模庞大、提取的时空特征尺度单一、有效特征的提取能力不足等问题,提出了一种深度网络框架。首先,使用时域多尺度信息融合的时空卷积模块改进3D残差网络结构,大幅度缩小网络规模,获得多种尺度的时空感受野特征;其次,引入一种全局信息同步的时空特征通道注意力机制,使用极少量参数构建特征图通道之间的全局依赖关系,使模型更加高效地获取动态手势的关键特征。在自建手势数据集SHC和公开手势数据集SKIG上的实验结果显示,提出的手势识别方法参数量更少且多尺度时空特征提取能力强,识别率高于目前的主流算法。     

融合K-调和均值的混沌粒子群聚类算法

针对K-调和均值和混沌粒子群聚类算法的优缺点,提出了一种融合K-调和均值的混沌粒子群聚类算法。首先通过K-调和均值方法把粒子群分成若干个子群体,每个粒子根据其个体极值和所在子种群的全局极值来更新位置。其次,算法中引入变尺度混沌变异,抑制了早熟收敛,提高了计算精度。实验证明,该算法可以有效地避免算法陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力,明显改善了聚类效果。     

基于改进差分进化的K-均值聚类算法

针对K-均值算法对初始值敏感和易陷入局部最优的缺点,提出了一种基于改进差分进化的K-均值聚类算法。该算法通过引入基于Laplace分布的变异算子和Logistic变尺度混沌搜索来增强全局寻优能力。实验结果表明,该算法能够较好地克服传统K-均值算法的缺点,具有较好的搜索能力,且算法的收敛速度较快,鲁棒性较强。     

聚类邻域自适应调整的多载蚁群算法

针对基本蚁群聚类算法较长时间开销和易产生冗余聚类数目的缺陷,提出了一种基于动态邻域的多载蚁群聚类算法。算法通过邻域动态自适应调整寻找纯净的邻域,增强蚂蚁记忆体记忆纯净邻域的大小,蚂蚁之间协同交流进行多载整合相似邻域形成最终聚类结果。实验结果表明新算法能有效提高算法效率且取得较好的聚类效果。     

量子粒子群优化的人工蜂群算法

针对传统的人工蜂群算法在求解函数优化问题中具有收敛速度慢、局部搜索能力低的缺点,将量子粒子群优化算法中粒子位移的更新方法引入到跟随蜂的局部搜索策略中,使人工蜂群具有更高的局部搜索能力.6个标准测试函数的仿真实验结果表明:与传统的人工蜂群算法相比,改进后的人工蜂群算法在收敛速度和寻优精度上大幅提高.     

一种基于系数关系的小波域盲水印算法

论文提出了一种DWT域基于系数关系的盲提取图像水印算法。对原始图像进行两层小波分解,比较第二层的对角分量与近似分量得到一个逻辑矩阵,将该逻辑矩阵与置乱后的二值水印图像进行对比,根据对比的结果修改第二层的对角分量,使得逻辑矩阵与二值水印信息一致,从而实现了二值水印图像的嵌入。水印的提取实现了盲提取。     

运输过程中机械振动对猕猴桃贮藏品质的影响

根据实际运输情况,研究了运输过程中振动频率和振动加速度对猕猴桃贮藏品质的影响。通过测定猕猴桃在10,20,30,40,50Hz 5种振动频率以及2.5,5.0,7.5m/s~2 3种振动加速度下硬度、可溶性固形物、可滴定酸、VC、丙二醛(MDA)的含量变化来评定其品质变化,以确定振动频率和振动加速度对猕猴桃贮藏品质的影响。结果表明,随着试验进行其硬度、可滴定酸、VC含量均下降,可溶性固形物、MDA含量均上升。研究发现在20 Hz的振动频率、2.5 m/s~2的振动加速度下猕猴桃损伤最小。     

基于一种新的蚁群算法的QoS组播路由问题的研究

在解决QoS（Quality of Service）组播路由问题上,针对蚁群算法缺点,提出了一种融合量子粒子群算法（QPSO）思想的多行为蚁群算法。该算法采用QPSO作为前期搜索,根据各粒子历史最优值来初始化路径信息素浓度,后期利用多行为蚁群算法来优化路径。仿真结果表明：该算法寻优能力强,可靠性高,是解决QoS组播路由问题的有效方法。     

基于混合行为的自适应蚁群算法

针对传统蚁群算法求解能力的不足,提出了一种基于混合行为的自适应蚁群算法(HBACA).通过引入具有多行为的混合蚂蚁来扩大解搜索空间,避免早熟和停滞现象;另外在每次迭代过程中具有不同行为的蚂蚁数目可以视具体情况而动态地进行调整,以便在加速收敛和防止早熟、停滞现象之间取得一个较好的平衡.实验表明,相比ACS、MMAS算法,改进算法求解TSP问题的性能得到了加强.     

基于变尺度混沌QPSO-LSSVM的水质溶氧预测建模

在水产养殖业中,水质对水中生物体的生长具有重要的影响,影响水质的因素主要包括:养殖水体的温度、pH值、氨氮含量、水中的溶解氧含量等等。根据统计资料显示,直接或者间接的遭受缺氧致死的鱼类,大约占到养殖鱼类死亡总数的60%,因此对水质溶氧含量进行预测对水产养殖业具有很大的意义。在预测方面,传统神经网络容易陷入局部最优,模型的推广能力不够强,支持向量机模型能够克服神经网络的这个缺点,具有很好的推广能力。本文运用变尺度混沌量子粒子群优化算法优化最小二乘支持向量机,选取国家罗非鱼产业技术研发中心无锡养殖基地的实际测量数据作为训练和测试样本数据,对水质溶氧情况进行预测。针对粒子群优化算法和量子粒子群优化算法容易陷入早熟的缺点,提出变尺度混沌量子粒子群优化算法来对最小二乘支持向量机进行参数寻优,并将这种建模方法运用于水质溶氧预测中。将传统神经网络模型以及基于量子粒子群优化算法优化的最小二乘支持向量机模型的预测结果与本文所建立的模型的预测结果相比较,证明了本文算法具有优越性,同时该模型较好的预测了水质溶氧趋势,为渔业的养殖提供了良好的参考价值。