基于神经网络与马尔可夫组合模型的视频流行度预测算法

为了提升用户体验,降低运营商的成本,将播放最多的视频内容提前放入用户侧缓存是业界的通用做法,如何有效预测视频播放热度已经成为业界热点问题。针对传统预测算法非线性映射能力差、预测精度低及自适应性弱等缺点,提出基于神经网络与马尔可夫组合模型的视频流行度预测算法（Mar-BiLSTM）,该算法通过构建双向长短期记忆（bi-directional long short-term memory,BiLSTM）网络模型可以保留时间序列两个方向的信息依赖;同时在避免引入外部变量导致模型复杂度增加的情况下,利用马尔可夫性质进一步提高了模型的预测精度。实验结果表明,与传统的时间序列和经典的神经网络算法相比,所提算法提升了视频流行度预测的准确性、时效性,并降低了计算量。     

云计算多目标任务调度的优化粒子群算法研究

针对传统粒子群算法求解云计算多目标任务调度的收敛速度慢、精度低的缺陷,提出一种优化多目标任务调度粒子群 算法(MOTS-PSO)。 首先,引入非线性自适应惯性权重,改变粒子的寻优能力,避免算法陷入局部最优;其次引入花朵授粉算法 概率更新机制,平衡粒子的全局搜索和局部寻优,并对粒子的全局搜索位置更新公式进行改进;最后引入萤火虫算法,产生“精 英解”对局部搜索位置更新公式进行改进;同时利用“精英解”对粒子的位置进行扰动,跳出局部最优状态。 实验表明,MOTS-PSO 算法在收敛速度和收敛精度上,比 PSO 算法提高了 27. 1%、19. 9%,比 FA 算法提高了 22. 09%、5. 2%。 进一步实验表明, MOTS-PSO 算法在解决不同规模数量的任务调度时,比 PSO、FA 算法效果更优。     

递归特征融合与并行缩放的航拍工程车辆检测

针对无人机航拍输电走廊图像中背景复杂多变、目标偏小且尺度变化大导致检测精度差的问题,本文提出基于RetinaNet递归特征融合与并行缩放的工程车辆检测方法.该方法更适合检测复杂背景中的工程车辆：首先,增添C2层为基础层,与原始骨干网输出层共同用于生成特征金字塔,避免小目标特征被高度压缩;其次,调整原始特征金字塔层次结构,将具有反馈连接的递归结构用于特征提取增强表征能力,设计新颖轻巧的特征融合策略重构特征金字塔,充分利用上下文信息,提高对复杂背景中目标的检测能力;最后,在骨干网C5层的基础上使用多个反卷积块和平均池化层构造并行输出的特征缩放分支,进一步增加特征图的分辨率,提高对小目标的检测精度.在本文构造的工程车辆APEV数据集和公开的PASCAL VOC数据集上分别进行对比实验,结果表明,所提方法的检测速度在满足工程应用需求的前提下,检测精度比原始RetinaNet网络分别提升4.9%和2.7%,与Faster R-CNN、SSD、YOLOv3、YOLOv5、LSN、S-RetinaNet等方法相比精度更高.