简介:道路目标检测在智慧城市建设中扮演着重要角色,而Faster-RCNN是目前主流的目标检测网络结构算法.本文在Faster-RCNN卷积神经网络结构基础上增加了特征金字塔网络层,并采用关注损失函数替代了原有的交叉熵损失函数.其中增加的特征金字塔特征融合层可以提取到检测图片中更具鲁棒性和一般性的前背景特征,而通过关注损失函数则能起到缓解检测图片中的正负样本不均的情况.最后,在公开数据集KITTI上实验证实,改进的目标检测算法能实现提高原有的Faster-RCNN目标检测准确率.
简介:在考虑客户满意度和生产过程中不确定性因素前提下研究了混装线投产排序问题.以三角模糊数表示加工时间、六点模糊数表示完工时间,建立了基于交货期的客户满意度评价方法.并进一步以满意度为优化目标,结合模糊不确定因素,建立了混装线投产排序问题数学模型,并通过遗传算法进行求解.最后,通过数据实例分析了客户满意度与完工时间的相互影响,主要从三个角度对结果进行分析:(1)最小生产单元MPS(MinimumProductSet)内产品比例的均衡性对客户满意度和模糊完工时间的影响;(2)MPS内产品比例相同的条件下,模糊交货期区间权重比例对客户满意度的影响;(3)相同条件下,客户满意度和模糊完工时间分别作为优化目标时两者之间的差异.从而验证了该模型的有效性.
简介:域自适应算法是一种能有效解决训练集(源域)和测试集(目标域)样本分布不一样但是具有相关性的方法.文章提出一个跨领域分布适配超限学习机(DDM-ELM)用于解决域自适应问题.DDM-ELM旨在基于超限学习机的框架下,充分利用丰富的有标签源域样本和无标签目标域样本,得出一个精确的目标域分类器.具体来说,DDM-ELM同时满足以下目标:1)最小化源域样本的分类误差;2)通过最小化投影最大化均值偏差来有效减小源域和目标域的分布差距;3)利用目标域样本的流形正则化来探索目标域样本的几何机构特性.这使得DDM-ELM能在同时继承超限学习机优点的前提下更加适合于目标域样本.经过大量的实验结果证明,相比于几种先进的域自适应方法,DDM-ELM在分类准确率和效率上均有所提高.