为提高量子粒子群算法的寻优能力，文中提出一种新的正态云模型自顺应变异量子粒子群算法。
该方法采用正态云模型优化策略，引入自身最差粒子和全局最差粒子，结合自身最优粒子和全局最优粒子自顺应调整势阱中心位置与收缩-扩张系数，每次迭代后生成的新粒子，以一定概率采用正态云模型对粒子进行变异操作。
最后标准函数极值优化的实验结果表明，该算法的单步迭代时间较长但优化能力较同类算法有大幅度提高。
该方法采用正态云模型优化策略，引入自身最差粒子和全局最差粒子，结合自身最优粒子和全局最优粒子自顺应调整势阱中心位置与收缩-扩张系数，每次迭代后生成的新粒子，以一定概率采用正态云模型对粒子进行变异操作。
最后标准函数极值优化的实验结果表明，该算法的单步迭代时间较长但优化能力较同类算法有大幅度提高。
2021/7/22 7:10:43
1.01MB
1
为了处理传统遗传算法中易早熟和陷入局部最优，造成收敛慢，效率低的问题，提出了一种改进的遗传算法GBLSA(GeneticBasedonLink-StateAlgorithm)。
对遗传算法的基本算子进行改进，其中将链路状态算法强大的寻优能力融入交叉算子中，保证个体逐代进化。
引入与遗传代数相关的自适应概率，提高了遗传算法的搜索效率和收敛速度。
仿真实验表明，与传统遗传算法和TSPLIB标准值相比，提出的方法得到的结果路径更优，效率更高。
对遗传算法的基本算子进行改进，其中将链路状态算法强大的寻优能力融入交叉算子中，保证个体逐代进化。
引入与遗传代数相关的自适应概率，提高了遗传算法的搜索效率和收敛速度。
仿真实验表明，与传统遗传算法和TSPLIB标准值相比，提出的方法得到的结果路径更优，效率更高。
2017/9/9 10:40:36
1.46MB
1
近年来卷积神经网络框架被成功地应用到目标跟踪领域,并取得了较为稳健的跟踪结果。
基于此思想,提出一种基于定位-分类-匹配模型的目标跟踪方法。
首先,在定位模型中,利用前一帧的位置信息预测当前帧中的候选目标区域。
然后,采用已训练的深度特征对候选区域进行类间筛选,选出N个次优目标区域。
最后,利用常规颜色特征对次优目标区域进行类内寻优匹配,从而确定最终的跟踪目标。
与此同时,分别对定位、分类中的网络进行更新,并对建立的匹配模型进行在线实时更新,使得其对目标的描述愈加准确。
在OTB50和OTB100标准数据库上进行实验测试,结果表明,提出的跟踪方法在快速运动、相似物体干扰、复杂背景等条件下具有较好的跟踪稳健性。
基于此思想,提出一种基于定位-分类-匹配模型的目标跟踪方法。
首先,在定位模型中,利用前一帧的位置信息预测当前帧中的候选目标区域。
然后,采用已训练的深度特征对候选区域进行类间筛选,选出N个次优目标区域。
最后,利用常规颜色特征对次优目标区域进行类内寻优匹配,从而确定最终的跟踪目标。
与此同时,分别对定位、分类中的网络进行更新,并对建立的匹配模型进行在线实时更新,使得其对目标的描述愈加准确。
在OTB50和OTB100标准数据库上进行实验测试,结果表明,提出的跟踪方法在快速运动、相似物体干扰、复杂背景等条件下具有较好的跟踪稳健性。
2018/11/13 7:13:26
11.2MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB