基于分层任务网络的一致性规划方法

给出一种求解一致性规划问题的新方法, 并给出了此求解方法的有效性分析. 在求解一致性规划问题时, 先将各个可能世界都转移到某个中间状态, 再从中间状态做一次求解. 结果表明, 该方法具有较高的效率和较好的扩展性.     

分布式灵活规划

设计了两个基于分布式的灵活规划系统： DFGP系统和IG DFGP系统. DFGP系统通过手工分解的方式将灵活规划问题分解为多个子问题, 并将各个子问题转化为灵活约束可满足问题进行求解. IG DFGP系统则通过交互图的结构自动分解灵活规划问题. 实验结果表明, 相对于目前国际上最为高效的灵活规划系统--灵活图规划系统, DFGP系统和IG DFGP系统在规划求解效率上具有数量级的提高.     

基于对比学习方法的小样本学习

针对目前小样本学习中存在的问题,设计一种新的网络结构及其训练方法以改进小样本学习.该网络在特征嵌入部分采用卷积网络并结合多尺度滑动池化方法以增强特征提取.网络主体结构为类孪生网络,以便于通过样本间的对比从小样本数据中学到语义.网络的训练方法采用嵌套层次的参数更新以保证收敛的稳定性.在两个经典小样本学习数据集上与常用的视觉模型和前沿小样本学习方法进行了对比实验,实验结果表明,该方法在小样本学习的精度上有显著提升,可作为样本不充足情况下的解决方案.     

在离散事件系统中寻找诊断路径的方法

利用简单的编码理论提出一种在离散事件系统的故障诊断中快速找到诊断路径的方法.该方法通过状态编码,降低了在离散事件系统诊断同步过程中的时间复杂度,消减了诊断路径冗余.能够在给定的观测集合上快速提取诊断路径,更适合实际观测事件较少的系统.在模型完备假设下,除首次根据观测集合进行诊断需要指数级时间外,后续观测诊断时间降低到多项式级.实验验证了方法的有效性.     

基于注意力机制的细粒度图像分类

针对细粒度图像分类中数据分布具有小型、非均匀和不易察觉类间差异的特征,提出一种基于注意力机制的细粒度图像分类模型.首先通过引入双路通道注意力与残差网络融合对图像进行初步特征提取,然后应用多头自注意力机制,达到提取深度特征数据之间细粒度关系的目的,再结合交叉熵损失和中心损失设计损失函数度量模型的训练.实验结果表明,该模型在两个标准数据集102 Category Flower和CUB200-2011上的测试准确率分别达94.42%和89.43%,与其他主流分类模型相比分类效果更好.