基于约束优化的联想记忆模型学习算法

本文提出了一种对称互连神经元网络的学习策略,利用全局约束优化方法确定连接权。优化过程采用了梯度下降技术。这种学习算法可以保证训练样本成为系统的稳定吸引子,并且具有优化意义上的最大吸引域。本文讨论了网络的存储容量,训练样本的渐近稳定性和吸引域大小。计算机实验结果说明了学习算法的优越性。     

误差敏感竞争性学习算法

本文基于等误差准则提出了一种适用于矢量量化技术的新型码书设计算法。实验表明此算法优于现存算法。为解决初始码书赋值问题，本文提出了自生成自组织神经网络方法。实验表明此算法加速了算法的收敛速度，提高了算法的性能     

文与会

应中石油集团公司邀请，10名苏丹杰出雇员于9月7日至14日到中国参观学习。期间，他们得到了集团公司领导的亲切会见，与集团公司部分在京企业的先进工作者进行座谈，畅谈在中国石油集团工作的体会，并分别到集团公司所属勘探开发公司和中油国际工程公司进行交流。这些活动进一步增加了他们对集团公司各个方面的深刻了解，使他们亲身感受到作为中国石油集团大家庭一员的温暖和自豪。     

强化学习算法在超视距空战辅助决策上的应用研究

针对近端策略优化算法在空战智能决策过程中面临的动作空间过大、 难收敛等问题,提出基于option的近端策略分层优化算法,构建了基于强化学习的空战智能决策模型框架,并在超视距空战仿真模型中进行了对抗性实验并可视化.实验结果表明,近端策略分层优化算法能够驱动智能体在对抗过程中产生迂回攻击等战术行为,达到提升传统算法性能和提...     

基于级联式Snappy-CenterNet 的锥套目标检测算法

针对空中加油因场景光照变化、环境遮挡等情况造成的锥套目标识别精度低、实时性差的问题,提出一种基于级联式Snappy-CenterNet深度网络的锥套目标检测算法。在CenterNet网络的基础上,以HourglassNet为主干网络,改进其bottleneck结构并引入中心池化的方法,对整体的网络结构进行优化,通过级联式的网络提升整体检测精度。实验结果表明：该算法可实现在多种复杂场景下对锥套目标的可靠检测,检测结果的精确率与召回率均可达99%,位置精度与区域精度分别可达99%与96%,更新率可达33.68 Hz,满足空中加油近距视觉导航阶段对于锥套识别的指标要求。     

基于改进Stacking集成学习方法的武器装备体系作战效能预测

作战效能预测对武器装备体系从建设、生产到实战的全过程都具有重要意义。在Stacking集成学习模型的基础上,优化模型对数据的交叉验证方式,针对原有模型次级学习器输入向量较为稀疏的问题,为次级学习层的输入增加多项式特征和经主成分分析法降维后的各项作战仿真数据指标(原始数据),形成一种改进Stacking集成学习模型的装备体系作战效能预测方法。以合成营攻占某一阵地的作战效能预测为例,验证该方法的有效性。     

基于集成DBN的肺部肿瘤计算机辅助诊断模型研究

针对目前肺部肿瘤计算机辅助诊断模型存在的识别精度不高和漏诊率、误诊率降低困难等问题,提出一种基于集成深度信念网络(DBN)的肺部肿瘤计算机辅助诊断模型。首先,探讨不同的隐层数和隐层节点数对DBN识别性能的影响,从而确定合适的网络结构,并以该网络结构在三个模态(CT,PET,PET/CT)肺部图像构成的样本空间构建三个单一DBN个体分类器(CT-DBN,PET-DBN,PET/CT-DBN);然后,探讨输入图像大小、RBM学习率、训练批次大小、反向传播次数对DBN识别性能的影响,从而确定合适的参数训练三个单一DBN个体分类器;最后,采用相对多数投票法对三个DBN个体分类器进行集成,得到该模型的最终结果。实验结果表明,基于集成DBN的肺部肿瘤计算机辅助诊断模型的整体性能优于三个单一DBN个体分类器。     

基于深度学习的不可逃逸区内的规避决策研究

由于隐身技术的发展和攻击战术的需要,载机可能会进入敌方导弹不可逃逸攻击区。针对雷达型中远程空空导弹的不可逃逸攻击区内部的机动规避问题,设计了一种基于深度学习网络的规避决策的模型,通过蒙特卡罗仿真法建立了机动可逃逸数据库,对网络模型进行了学习,并仿真验证了网络输出的有效性。仿真结果表明,学习后的网络输出在满足机动可逃的条件下,在追逃仿真中有较好的决策效果,可显著提高在导弹不可逃逸攻击区内的逃逸成功概率,同时也可为飞行员执行高风险任务时的机动决策提供参考。     

基于谱约束的生成对抗网络图像数据生成研究

数据匮乏是深度学习面临的一大难题。利用生成对抗网络(GAN)能够基于语义生成新的图像数据这一特性,提出一种基于谱约束的生成对抗网络图像数据生成方法,该方法针对卷积生成对抗网络模型易崩溃不收敛的问题,从每层神经网络的参数矩阵W的谱范数角度出发,引入谱范数归一化网络参数矩阵,将网络梯度限制在固定范围内,减缓判别网络收敛速度,从而提高GAN的训练稳定性。实验表明,通过该方法生成的数据相比原始GAN以及DCGAN、WGAN等生成的图像样本数据在图像识别网络中具有更高的准确率,能够对少量样本数据进行有效扩充。     

基于隐变量贝叶斯模型的稀疏信号恢复

该文基于贝叶斯分析的视角,揭示了一类算法,包括使用隐变量模型的稀疏贝叶斯学习(SBL),正则化FOCUSS算法以及Log-Sum算法之间的内在关联。分析显示,作为隐变量贝叶斯模型的一种,稀疏贝叶斯学习使用第2类最大似然(Type II ML)在隐变量空间进行运算,可以视作一种更为广义和灵活的方法,并且为不适定反问题的稀疏求解提供了改进的途径。较之于目前基于第1类最大似然(Type I ML)的稀疏方法,仿真实验证实了稀疏贝叶斯学习的优越性能。