用三阶色散项研究色散光通信系统相对强度噪音

本文我们提出了相对强度噪音（RIN）的进一步理论研究，包括了色散光通信系统的三阶色散项影响．正如其他作者报告的那样，本文也表明了噪音频率很高时，三阶色散项对PIN也没有影响，但是利用二阶色散补尝可以显著的减少RIN并显著的改善系统性能。进而，研究了光纤的长度和激光谱线宽度对RIN的影响。表明了随着光纤长度增加，RIN也在增加，但是用二阶色散对RIN的补偿却在减少。随着谱线宽度的减少，在很大的范围内RIN可以减少．     

基于注意力机制和孪生网络的跟踪算法研究

提出融合卷积通道注意力机制、堆叠通道注意力机制和空间注意力机制的孪生网络跟踪器（ThrAtt-Siam）来提升跟踪性能。ThrAtt-Siam跟踪器以SiameseFC为基础,通过在低卷积层融合卷积通道注意力机制、两个特征图与两个卷积块,加强目标物体特征提取,提高跟踪器对背景特征抗干扰能力和辨别能力;在目标图像分支融合堆叠通道注意力机制与空间注意力机制,其中堆叠通道注意力机制可有效区分有用特征与无用特征,同时针对不同通道的有用特征进行提取,空间注意力机制可有效地补充目标物体特征在通道空间中的信息,能够更好地对目标进行定位。在OTB2015和VOT2017数据集上的实验结果表明,ThrAtt-Siam跟踪器对目标物体形变、低分辨率和遮挡问题都取得了较好的跟踪准确率和成功率。     

粗糙集作为数据挖掘的一种方法学

1引言 数据挖掘在更大的设计发现过程中是一个主要手段。它作为一种算法技术应用在数据模式、一致性和主偏差的识别。许多算法能够应用在这个认识发现过程阶段。这些算法在大多数情况下是不同的研究人员的个人创造，没有太多共同的方法论的和基础的框架。换句话说，在数据挖掘中许多主要的工作是集中算法改进同时忽视基础数学问题的研究，例如：关系数据、内部数据联系、内含信息隐藏在数据或数据冗余的特性。从作者的认识来看，只有统计和粗糙集理论尝试解决以上问题。但是它们的出发点和方法是完全不同的。     

基于改进YOLOv5的目标检测算法研究

YOLOv5是目前单阶段目标检测性能较好的算法,但对目标边界回归的精确度不高,难以适用对预测框交并比要求较高的场景。基于YOLOv5算法,提出一种对硬件要求低、模型收敛速度快、目标框准确率高的新模型YOLO-G。改进特征金字塔结构（FPN）,采用跨层级联的方式融合更多的特征,一定程度上防止了浅层语义信息的丢失,同时加深金字塔深度,对应增加检测层,使各种锚框的铺设间隔更加合理;其次把并行模式的注意力机制融入到网络结构中,赋予空间注意力模块和通道注意力模块相同的优先级,以加权融合的方式提取注意力信息,使网络可根据对空间和通道注意力的关注程度得到混合域注意力;通过降低网络的参数量和计算量对网络进行轻量化处理,防止因模型复杂度提升造成实时性能的损失。使用PASCAL VOC的2007、2012两个数据集来验证算法的有效性,YOLO-G比YOLOv5s的参数量减少了4.7%,计算量减少了47.9%,而mAP@0.5提高了3.1个百分点,mAP@0.5：0.95提高了5.6个百分点。     

基于遗传算法的属性约简算法研究与实现

本文深入分析了属性约简的方法与算法、遗传算法的基本理论;给出了遗传算法中各类算子的设计和实现方法;提出对编码的改进,即在编码时选择可变长编码;然后用赌轮选择算法对种群中的个体进行选择,很大程度上改进了算法的收敛性能;而且能求得尽可能多的约简,实验证明该算法能对大多数测试数据集求得全部约简.