虽然花授粉算法对于求解优化问题十分有效,但也存在收敛性慢的问题。为了解决此问题,提出一种带有时变因子的差分进化花授粉算法(Differential Evolution Flower Pollination Algorithm with Time Variant Factor,TVDFPA)。对步长因子...虽然花授粉算法对于求解优化问题十分有效,但也存在收敛性慢的问题。为了解决此问题,提出一种带有时变因子的差分进化花授粉算法(Differential Evolution Flower Pollination Algorithm with Time Variant Factor,TVDFPA)。对步长因子进行改进,同时在迭代过程中加入差分进化的策略,通过种群杂交,提高算法的收敛速度和寻优能力。通过标准测试函数进行测试,仿真结果表明TVDFPA的收敛速度比原始花授粉算法、混沌和声的花授粉(HFPCHS)、模拟退火花授粉算法(SFPA)快,收敛精度也有较大提高。进而结合花授粉算法的特点,建立带有变参数的双适应值比较法来求解压力容器设计问题,实验结果表明改进之后的算法具有较好的求解性能。展开更多
光谱聚类(spectral clustering,SC)由于在无监督学习中的有效性而受到越来越多的关注。然而其计算复杂度高,不适用于处理大规模数据。近年来提出了许多基于锚点图方法来加速大规模光谱聚类,然而这些方法选取的锚点通常不能很好地体现原...光谱聚类(spectral clustering,SC)由于在无监督学习中的有效性而受到越来越多的关注。然而其计算复杂度高,不适用于处理大规模数据。近年来提出了许多基于锚点图方法来加速大规模光谱聚类,然而这些方法选取的锚点通常不能很好地体现原始数据的信息,从而导致聚类性能下降。为克服这些缺陷,提出了一种二分k-means锚点提取的快速谱聚类算法(fast spectral clustering algorithm based on anchor point extraction with bisecting kmeans,FCAPBK)。该方法利用二分k-means从原始数据中选取一些具有代表性的锚点,构建基于锚点的多层无核相似图;然后通过锚点与样本间的相似关系构造层次二部图。最后在5个基准数据集上分别进行实验验证,结果表明FCAPBK方法能够在较短的时间内获得良好的聚类性能。展开更多
在尺度、遮挡等因素的影响下,人脸检测算法速度和精度不匹配进而表现出检测性能差等系列缺点,采用融入模板匹配思想的神经网络检测器算法解决这一不足,提出了二分支神经网络匹配的人脸检测算法。以此得到检测速度与精度相匹配的改进方...在尺度、遮挡等因素的影响下,人脸检测算法速度和精度不匹配进而表现出检测性能差等系列缺点,采用融入模板匹配思想的神经网络检测器算法解决这一不足,提出了二分支神经网络匹配的人脸检测算法。以此得到检测速度与精度相匹配的改进方法。首先根据五官位置关系构建人脸模板框架并设置一定的阈值;其次依据构建的模板和锚策略对不同尺度人脸的鲁棒性,在DSFD人脸检测器的特征增强模块层中实现对样本数据中人脸区域的提取及标记;最后依据提取、标记的人脸区域与构建的模板进行相关性匹配。改进算法在Face Detection Data Set and Benchmark、FDDB、WIDER FACE人脸数据集的实验结果表明,在提升检测速度的同时保证算法的精度,相比几类相近算法,该算法的优势更加明显。展开更多
文摘虽然花授粉算法对于求解优化问题十分有效,但也存在收敛性慢的问题。为了解决此问题,提出一种带有时变因子的差分进化花授粉算法(Differential Evolution Flower Pollination Algorithm with Time Variant Factor,TVDFPA)。对步长因子进行改进,同时在迭代过程中加入差分进化的策略,通过种群杂交,提高算法的收敛速度和寻优能力。通过标准测试函数进行测试,仿真结果表明TVDFPA的收敛速度比原始花授粉算法、混沌和声的花授粉(HFPCHS)、模拟退火花授粉算法(SFPA)快,收敛精度也有较大提高。进而结合花授粉算法的特点,建立带有变参数的双适应值比较法来求解压力容器设计问题,实验结果表明改进之后的算法具有较好的求解性能。
文摘光谱聚类(spectral clustering,SC)由于在无监督学习中的有效性而受到越来越多的关注。然而其计算复杂度高,不适用于处理大规模数据。近年来提出了许多基于锚点图方法来加速大规模光谱聚类,然而这些方法选取的锚点通常不能很好地体现原始数据的信息,从而导致聚类性能下降。为克服这些缺陷,提出了一种二分k-means锚点提取的快速谱聚类算法(fast spectral clustering algorithm based on anchor point extraction with bisecting kmeans,FCAPBK)。该方法利用二分k-means从原始数据中选取一些具有代表性的锚点,构建基于锚点的多层无核相似图;然后通过锚点与样本间的相似关系构造层次二部图。最后在5个基准数据集上分别进行实验验证,结果表明FCAPBK方法能够在较短的时间内获得良好的聚类性能。
文摘在尺度、遮挡等因素的影响下,人脸检测算法速度和精度不匹配进而表现出检测性能差等系列缺点,采用融入模板匹配思想的神经网络检测器算法解决这一不足,提出了二分支神经网络匹配的人脸检测算法。以此得到检测速度与精度相匹配的改进方法。首先根据五官位置关系构建人脸模板框架并设置一定的阈值;其次依据构建的模板和锚策略对不同尺度人脸的鲁棒性,在DSFD人脸检测器的特征增强模块层中实现对样本数据中人脸区域的提取及标记;最后依据提取、标记的人脸区域与构建的模板进行相关性匹配。改进算法在Face Detection Data Set and Benchmark、FDDB、WIDER FACE人脸数据集的实验结果表明,在提升检测速度的同时保证算法的精度,相比几类相近算法,该算法的优势更加明显。
