基于深度负相关学习的室内WiFi指纹定位技术

本文提出了一种新的基于深度负相关学习的WiFi室内定位模型.通过负相关学习约束,多个学习器能学习到不同的表征特性,从而有效降低模型的过拟合,并极大地提升其泛化能力.同时该模型将负相关学习方法应用到去噪自编码器和回归预测器上,并利用深度学习方法使其很好地适应随环境和时间变化的RSSI信号,提高了在长时间间隔内的定位性能.利用负相关学习方法使定位模型在初始时候的平均定位误差从1.57 m下降为0.77 m,60 d平均定位误差也仅为0.89 m,误差仅仅只增加0.12 m,验证了负相关学习能够削弱环境变化对定位的影响.     

基于云模型与PROMETHEE方法的语言型Z-number多属性决策

针对属性权重未知,属性值为语言型Z-number的多属性决策问题,提出了一种基于云模型与丰富度评估的偏好排序组织方法（Preference ranking organization method for enrichment evaluation, PROMETHEE）的决策方法。首先,引入语言尺度函数,然后利用其建立转化模型完成语言型Z-number向云模型的转化。此外,通过定义云可能度函数,建立属性权重求解公式及构建正弦偏好函数,进而计算方案的优先指数,通过计算方案的正负方向优序级别值得到备选方案综合优序级别值,进而得到方案排序。最后通过算例及比较分析验证本方法的有效性和可行性。     

A Novel Heterogeneous Actor-critic Algorithm with Recent Emphasizing Replay Memory

Machine Intelligence Research - Reinforcement learning (RL) algorithms have been demonstrated to solve a variety of continuous control tasks. However, the training efficiency and performance of...     

面向空铁联运的枢纽航线网络优化模型

为减缓枢纽机场的客流量拥堵问题,减少机场运营成本,设计面向空铁联运的枢纽航线网络优化模型.在枢纽航线网络基础上,引入高铁线路建立优化模型;设计高维多角标变量表示方法和禁忌搜索算法的求解方法,减少算法的计算负担,科学规划线路客流量和运输方式.实验结果表明,与严格和非严格的枢纽航线网络相比,该优化模型可以较好减缓枢纽机场的拥堵,降低枢纽机场的负荷率,减少网络成本.该模型求解算法具有收敛速度快且解分布稳定的特点.     

深度学习在主动脉中膜变性病理图像分类中的应用

胸主动脉瘤和夹层（TAAD）是严重的心血管疾病之一,而中膜变性（MD）的组织学改变对疾病的诊断及早期干预具有重要的临床意义。针对病理图像的高度复杂性使得MD的诊断过程耗时费力且一致性差的问题,提出了一种基于深度学习的病理图像分类方法,并将其应用于四种MD病变类型以进行性能验证。该方法使用了一种改进的基于GoogLeNet的卷积神经网络模型,首先采用迁移学习来将先验知识应用于TAAD病理图像的表达,然后使用Focal loss和L2正则化来解决数据不平衡问题,从而进一步优化模型性能。实验结果表明,所提模型的平均四分类准确率达到98.78%,表现出较好的泛化性能。可见所提方法可以有效地提升病理学家的诊断效率。     

基于自然最近邻的密度峰值聚类算法

针对密度峰值聚类算法(Density Peaks Clustering,DPC)需要人为指定截断距离d c,以及局部密度定义简单和一步分配策略导致算法在复杂数据集上表现不佳的问题,提出了一种基于自然最近邻的密度峰值聚类算法(Density Peaks Clustering based on Natural Nearest Neighbor,NNN-DPC)。该算法无需指定任何参数,是一种非参数的聚类方法。该算法首先根据自然最近邻的定义,给出新的局部密度计算方法来描述数据的分布,揭示内在的联系;然后设计了两步分配策略来进行样本点的划分。最后定义了簇间相似度并提出了新的簇合并规则进行簇的合并,从而得到最终聚类结果。实验结果表明,在无需参数的情况下,NNN-DPC算法在各类数据集上都有优秀的泛化能力,对于流形数据或簇间密度差异大的数据能更加准确地识别聚类数目和分配样本点。与DPC、FKNN-DPC(Fuzzy Weighted K-nearest Density Peak Clustering)以及其他3种经典聚类算法的性能指标相比,NNN-DPC算法更具优势。     

基于注意力机制和BiGRU融合的文本情感分析

针对简单的神经网络缺乏捕获文本上下文语义和提取文本内重要信息的能力,设计了一种注意力机制和门控单元(GRU)融合的情感分析模型FFA-BiAGRU.首先,对文本进行预处理,通过GloVe进行词向量化,降低向量空间维度;然后,将注意力机制与门控单元的更新门融合以形成混合模型,使其能提取文本特征中的重要信息;最后,通过强制向前注意力机制进一步提取文本特征,再由softmax分类器进行分类.在公开数据集上进行实验,结果证明该算法能有效提高情感分析的性能.     

Loop Closure Detection based on Image Covariance Matrix Matching for Visual SLAM

International Journal of Control, Automation and Systems - Loop closure detection is an indispensable part of visual simultaneous location and mapping (SLAM). Correct detection of loop closure can...     

Fixed-time Group Consensus of Nonlinear Multi-agent Systems via Pinning Control

This paper deals with the fixed-time group consensus problem for multi-agent systems (MASs) subjected to exogenous disturbances. Firstly, two pinning control algorithms are constructed for MASs, which not only reduce the number of controllers but also achieve expected tracking consensus. Secondly, fixed-time group consensus is ensured by utilizing the algebraic graph theory, Lyapunov stability and fixed-time control technique. Finally, simulations are finally given for demonstrate the availability of the derived results.

     

流计算模式下概率粗糙集三支决策的快速计算

概率粗糙集三支决策是不确定问题求解的一种重要理论,流计算模式是一种新型的动态内存计算形式,实施流计算模式下三支决策的快速动态计算是一项具有挑战性的新议题。本研究以流计算模式中的两个核心计算步骤即动态增量与动态减量作为研究对象,提出了一种流计算模式下概率粗糙集三支决策域的快速动态学习方法。首先对流计算模式中三支决策动态增量和动态减量的不同变化情况进行了数据建模。然后基于不同数据变化情况分别讨论了数据增量与数据减量时三支决策域的变化推理,并且基于上述理论给出了流计算模式下的三支决策动态增减学习算法。该算法能够以更低的时间复杂度获得与经典三支决策算法相同决策效果。最后通过八种UCI数据集的实验证明了流计算模式下三支决策动态增减学习算法在时间消耗上明显优于经典概率粗糙集三支决策算法,并且在不同阈值下具有稳定的决策效率。本研究表明了流计算模式下三支决策快速计算是可行的。