针对深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法在一些大状态空间任务中存在学习效果不佳及波动较大等问题,提出一种基于渐近式k-means聚类算法的多行动者深度确定性策略梯度(multi-actor deep deterministic po...针对深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法在一些大状态空间任务中存在学习效果不佳及波动较大等问题,提出一种基于渐近式k-means聚类算法的多行动者深度确定性策略梯度(multi-actor deep deterministic policy gradient based on progressive k-means clustering,MDDPG-PK-Means)算法.在训练过程中,对每一时间步下的状态进行动作选择时,根据k-means算法判别结果辅佐行动者网络的决策,同时随训练时间步的增加,逐渐增加k-means算法类簇中心的个数.将MDDPG-PK-Means算法应用于MuJoCo仿真平台上,实验结果表明,与DDPG等算法相比,MDDPG-PK-Means算法在大多数连续任务中都具有更好的效果.展开更多
为了提升弱纹理区域无监督多视图深度估计性能,文中提出一种基于邻域自适应无监督多视图深度估计算法。算法采用双分支结构,深度估计分支首先采用邻域自适应深度分布方法改善弱纹理区域深度分布;其次采用深度变化概率引导的深度假设范...为了提升弱纹理区域无监督多视图深度估计性能,文中提出一种基于邻域自适应无监督多视图深度估计算法。算法采用双分支结构,深度估计分支首先采用邻域自适应深度分布方法改善弱纹理区域深度分布;其次采用深度变化概率引导的深度假设范围细化后续阶段深度估计。为了提高对场景边缘的识别,采用基于标准差的深度平滑约束。神经渲染分支用于提高深度估计能力,为了增强与深度估计分支间的几何一致性,采用融合图像颜色与深度信息的采样方法。由实验结果可知,该算法在DTU数据集测试完整度误差和整体精度误差优于其他无监督算法,且完整度误差比DS⁃MVSNet减小16.71%。可视化结果表明,针对弱纹理区域深度估计性能提升明显。在Tanks and Temples数据集上进行泛化性验证,整体性能(Mean)为56.22,证明了所提算法的有效性。展开更多
文摘在高压并联电抗器声纹信号监测系统中,长时海量无标签声纹的高维非平稳性导致特征提取困难、无监督聚类适应性差。由此提出了一种基于深度自适应K-means++算法(deep adaptive K-means++clustering algorithm,DAKCA)的750 kV电抗器声纹聚类方法。首先通过采用两阶段无监督策略微调的改进堆叠稀疏自编码器(stacked sparse autoencoder,SSAE),对快速傅里叶变换后的归一化频域数据提取电抗器原始声纹32维深度特征。进一步提出了依据最近邻聚类有效性指标(clustering validation index based on nearest neighbors,CVNN)的自适应K-means++聚类算法,构建了能自适应确定最优聚类个数的电抗器声纹聚类模型。最后通过西北地区某750 kV电抗器实测声纹数据集进行了验证。结果表明,DAKCA算法对无标签声纹数据在不同样本均衡程度下能够稳定提取32维深度特征,并实现最优聚类,为直接高效利用电抗器无标签声纹数据提供了参考。
文摘针对深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法在一些大状态空间任务中存在学习效果不佳及波动较大等问题,提出一种基于渐近式k-means聚类算法的多行动者深度确定性策略梯度(multi-actor deep deterministic policy gradient based on progressive k-means clustering,MDDPG-PK-Means)算法.在训练过程中,对每一时间步下的状态进行动作选择时,根据k-means算法判别结果辅佐行动者网络的决策,同时随训练时间步的增加,逐渐增加k-means算法类簇中心的个数.将MDDPG-PK-Means算法应用于MuJoCo仿真平台上,实验结果表明,与DDPG等算法相比,MDDPG-PK-Means算法在大多数连续任务中都具有更好的效果.
文摘为了提升弱纹理区域无监督多视图深度估计性能,文中提出一种基于邻域自适应无监督多视图深度估计算法。算法采用双分支结构,深度估计分支首先采用邻域自适应深度分布方法改善弱纹理区域深度分布;其次采用深度变化概率引导的深度假设范围细化后续阶段深度估计。为了提高对场景边缘的识别,采用基于标准差的深度平滑约束。神经渲染分支用于提高深度估计能力,为了增强与深度估计分支间的几何一致性,采用融合图像颜色与深度信息的采样方法。由实验结果可知,该算法在DTU数据集测试完整度误差和整体精度误差优于其他无监督算法,且完整度误差比DS⁃MVSNet减小16.71%。可视化结果表明,针对弱纹理区域深度估计性能提升明显。在Tanks and Temples数据集上进行泛化性验证,整体性能(Mean)为56.22,证明了所提算法的有效性。
