摘要：离线训练的跟踪网络对目标多尺度特征的表征能力较弱,难以高效自适应目标外观变化.为此,提出一种基于元循环优化的多尺度感知孪生网络目标跟踪方法.首先设计一种高效的基学习器作为目标跟踪器,在此基础上,引入目标多尺度感知策略,通过构建残差分层使网络由粗到细地学习目标多尺度语义特征,增强模型对目标多尺度特征的表达;进而完成目标跟踪任务.其次,为了快速适应目标的表观变化,提出了元循环优化器来更新基学习器的模型参数,学习更有效的梯度更新规则,提高了模型更新的收敛速度.在5个数据集上实验证实本文方法在形变、遮挡、快速移动和背景干扰等复杂场景下仍然能够稳定地跟踪目标,大大提升了模型的跟踪性能.

摘要：针对非线性系统辨识特点,在剖析具有递归环节的T-S模糊神经网络结构的同时,提出了一种新型的3步设计优化方案,即非线性区域的线性划分、离线训练和在线辨识.将融合了模糊c-mean聚类(GA-FCM)(称为双群体并行聚类)算法引入到RTSFNN中,对非线性系统的输入输出空间进行聚类(线性划分),再在每个线性区域上建立ARMAX模型;利用GA实数编码,同时优化前件隶属函数的中心和宽度、递归增益及后件参数;在线时利用FCM在线分析输入数据特征,确定是否对现有划分进行改动,并利用GA迭代一定代数优化其他参数,直到误差满足要求为止.通过对非线性动态系统的辨识仿真,验证了所提出方法在训练时的寻优速度、训练误差及校验误差指标上均有很大优势.

摘要：针对传统PID控制器由于参数固定而难以满足火箭炮发射架对跟踪精度和抗负载变化能力要求的缺点,文中设计了基于RBF神经网络的PID控制器,首先通过改进的动态资源分配网络算法完成了神经网络结构的设计,然后对神经网络进行简化将其成功应用于DSP处理器中以实时调节PID控制参数。实验结果表明,此控制策略可以有效的提高系统的跟踪精度与抗负载能力。

摘要：火箭炮发射架位置伺服系统中存在燃气流冲击力矩、参数时变、外部扰动等非线性因素的作用,针对传统PID控制难以在此复杂工况下取得良好控制效果的缺点,文中设计了基于传统PID控制的RBF神经网络监督控制器,完成了神经网络离线样本的选取和训练算法的改进,利用神经网络自学习、自整定能力增强系统的自适应能力。仿真结果表明此复合控制策略可以有效提高系统的控制品质。

摘要：介绍了以超低功耗单片机MSP430为核心的高精度压力传感器的硬件电路设计,针对压力传感器的温度漂移问题分析了用于温度补偿的BP网络算法,通过单片机对MPM280压力传感器的温度和压力信号采集,构造4层BP神经网络进行离线训练,将训练好的网络模型利用C语言完成编程,研究了单片机软件实现方式。结果表明:利用MSP430单片机减少了系统功耗,其丰富外设减小了传感器体积,利用单片机对传感器的温度和压力A/D采样值离线训练减少了信号误差,利用BP网络算法提高了传感器的精度,传感器的精度为0.1%。

摘要：针对传统的基于线性映射的超分辨率算法存在丢失一些有价值的图像信息的缺点,提出一种基于非局部均值(NLM)和加权线性映射的图像超分辨率算法。在训练阶段利用迭代反向投影加强双三次插值后的图像;在图像重建阶段,利用加入梯度因素的NLM算法加强双三次插值后的图像并提取特征;对每一个低分辨率块特征,筛选若干个最优的映射函数加权映射得到图像高频信息。该算法保留了较多有价值的图像信息与映射信息,得到了较好的高分辨率图像。实验结果表明,该算法优于比较算法。

摘要：为了提高酸轧机组的控制模型精度,消除模型训练的出错故障,为系统增加了人工干预和在线调整功能。在对原系统进行了深入分析的基础之上,建立了新的酸轧机组人工神经网络仿真系统,并通过网络与生产系统直接相连。制定了数据筛选方法,设计了调整过程算法和离线人工神经网络算法。通过实际应用所产生的数据进行分析,经过离线训练后的全局误差要比初始误差要小得多,误差精度从10-2提高到了10-4。实际应用结果表明了系统的有效性和实用性。

摘要：为降低司机操纵难度、提高运输效能,文章提出一种基于神经网络模型的实时速度曲线规划算法来优化列车操纵指导。该算法首先通过分析二次规划的优化结果,确定神经网络模型的输入与输出形式;并以大量优化结果作为样本数据对神经网络模型进行训练,确定模型的结构与权重;最后将训练出的模型与输入构造模块和牵引计算模块相结合,设计出整个算法流程。为验证该规划算法的正确性、实时性和节能性,分别在虚拟复杂线路和实际线路上进行仿真。结果表明,在保证实时计算的前提下,利用该算法所得的速度曲线与基于二次规划的离线全局规划算法的速度曲线相吻合,且相比于优秀司机的操纵结果节能5.98%。

摘要：针对目前各类美图软件美化效果单一、风格雷同的问题,文章开发一套基于快速风格迁移的DIY图像风格迁移系统。系统通过COCOS游戏引擎和JS等工具完成网页的UI设计与数据的获取处理,利用深度学习技术,使用Google公司的***开源框架搭建风格迁移网络,并完成模型迁移及对JS获取到的风格图像、内容图像数据的转换,实现将用户选定图片的风格迁移到指定的图片上。同时,系统支持用户指定再训练轮次并对模型重新离线训练,调整风格迁移效果。