基于QPSO的上证指数ARCH模型

介绍一种利用量子行为粒子群算法(QPSO)建立上证指数收益的 ARCH模型，利用不同的算法精确地估计模型中的参数，验证QPSO算法的优越性。利用得到的估计模型对指数收益进行预测，得到大致跟随指数实际走势的预测值。试验结果表明，QPSO算法比粒子群算法、遗传算法能更好地解决此类问题。     

一种优化高维函数的量子-粒子群算法

提出了一种改进的量子—粒子群算法来改善维数束缚问题。对于存在高维问题的量子—粒子群算法,引入了相互学习方法,使用多个粒子群用来优化解向量的分量,从而帮助粒子群克服维数束缚找到最优解;另外在每一次迭代过程中根据遗传算法中适应度函数对参与相互学习的粒子解的数目进行最优选取,从而有效减少了时间花费。对经典函数的测试计算表明,改进的混合算法确保了搜索精度,在时间花费上也得到了较好的改善。     

基于量子行为粒子群优化算法的图像插值方法

传统图像插值方法简单,容易实现,但经过插值后的图像会增加一定的虚假内容，导致图像模糊。为提高插值图像的质量和图像的分辨率，提出一种基于量子行为粒子群优化（QPSO）算法的图像插值方法。该方法利用QPSO算法在以传统插值图像为基础形成的解空间中，寻找符合目标函数的最优高分辨率图像。实验证明，该方法实用、可行，且能得到质量较好的插值图像。     

基于基元段特征和GMM的源-目标说话人F0～t转换

基音轨迹F_0～t转换是实现高质量源-目标说话人声音转换的重要组成部分。本文给出了一种与说话内容无关的F_0～t转换方法,为了在与文本无关的前提下,提取出尽可能反映说话人个性特征的基音起伏的较长时的信息,本文采用了从n个短时帧组成的基元段提取特征矢量,并以基元段矢量为单元进行转换,采用了基于高斯混合模型(GMM)的概率加权转换算法使每个特征矢量的转换规则是由多个类规则的线性加权组合得到的,从而提高了转换精度,同时还解决了一般分类器中处于类边界数据的分类错误。实验表明,基于基元段特征矢量和GMM的转换方法具有很好的效果。     

基于U-BOOT的S3C44B0引导程序设计实现

Bootloader(引导装载程序)是嵌入式系统开发的一个重要环节,它把操作系统和硬件平台衔接起来,对嵌入式系统后继软件开发十分重要。DasU-BOOT(UniversalBootloader)是一个功能十分强大的Bootloader开发软件。对U-BOOT的启动流程作了介绍,以S3C44B0开发板和ucLinux为背景,分析,探讨基于U-BOOT的系统引导装载程序的构建。     

带电作业面临的新形势

在新的形势下，许多因素将促进带电作业技术的发展。充分了解这些动向，将有利于开创带电作业的新局面。为此提出一些粗浅的看法，供参考。     

使用Conformer增强的混合CTC/Attention端到端中文语音识别

最近,基于自注意力的Transformer结构在不同领域的一系列任务上表现出非常好的性能。探索了基于Transformer编码器和LAS（listen,attend and spell）解码器的Transformer-LAS语音识别模型的效果,并针对Transformer不善于捕捉局部信息的问题,使用Conformer代替Transformer,提出Conformer-LAS模型。由于Attention过于灵活的对齐方式,使得在嘈杂环境中的效果急剧下降,采用连接时序分类（connectionist temporal classification,CTC）辅助训练以加快收敛,并加入音素级别的中间CTC损失联合优化,提出了效果更好的Conformer-LAS-CTC语音识别模型。在开源中文普通话Aishell-1数据集上对提出来的模型进行验证,实验结果表明,Conformer-LAS-CTC相对于采用的基线BLSTM-LAS和Transformer-LAS模型在测试集上的字错率分别相对降低了22.58%和48.76%,模型最终字错误率为4.54%。     

基于改进的Faster Rcnn遥感图像目标检测

遥感图像因为其自身小目标多、密集的特点而对于目标检测任务是一个挑战。设计一种多层特征融合的Faster Rcnn,丰富各特征层的信息、平衡位置信息和分类信息。算法采用ResNet作为骨干网络提取特征,通过自上而下的特征融合,得到多尺度特征图,从而增强位置信息和分类信息以得到更加精准的检测结果。与Faster Rcnn算法相比,该算法对位置信息更加敏感,准确率提高了2.7百分点。相对于经典的目标检测框架SSD, Yolo v3等的检测效果,结合了特征融合的Faster Rcnn效果得到了明显提升。     

基于Lévy分布的柔软自适应演化采样算法

已经有相关工作将演化思想引入采样算法中,并结合 Lévy 分布提出了自适应的采样算法。针对 Lévy 分布的参数设 置和“厚尾”特性的关系进行了研究,改进了基于 Lévy 分布的演化采样算法,通过设置该分布的参数 ? 值为 1.0,1.3,1.7, 2.0,分别对应四种转移概率分布,从而增加了生成的候选样本的多样性。理论分析和实验表明,改进算法在收敛速率和精度 上优于基于高斯分布,柯西分布,对称指数分布的演化采样算法和其他自适应的演化采样算法。     

结合Transformer的轻量化中文语音识别

近年来,深度神经网络模型在语音识别领域成为热门研究对象。然而,深层神经网络的构建依赖庞大的参数和计算开销,过大的模型体积也增加了其在边缘设备上部署的难度。针对上述问题,提出了基于Transformer的轻量化语音识别模型。首先使用深度可分离卷积获得音频特征信息;其次构建了双半步剩余权重前馈神经网络,即Macaron-Net结构,并引入低秩矩阵分解,实现了模型压缩;最后使用稀疏注意力机制,提升了模型的训练速度和解码速度。为了验证模型,在Aishell-1和aidatatang_200zh数据集上进行了测试。实验结果显示,所提模型与Open-Transformer相比,所提模型在字错误率上相对下降了19.8%,在实时率上相对下降了32.1%。