针对卷积结构的深度学习模型在小样本学习场景中泛化性能较差的问题,以AlexNet和ResNet为例,提出一种基于小样本无梯度学习的卷积结构预训练模型的性能优化方法。首先基于因果干预对样本数据进行调制,由非时序数据生成序列数据,并基于协整检验从数据分布平稳性的角度对预训练模型进行定向修剪;然后基于资本资产定价模型(CAPM)以及最优传输理论,在预训练模型中间输出过程中进行无需梯度传播的正向学习并构建一种全新的结构,从而生成在分布空间中具有明确类间区分性的表征向量;最后基于自注意力机制对生成的有效特征进行自适应加权处理,并在全连接层对特征进行聚合,从而生成具有弱相关性的embedding向量。实验结果表明所提出的方法能够使AlexNet和ResNet卷积结构预训练模型在ImageNet 2012数据集的100类图片上的Top-1准确率分别从58.82%、78.51%提升到68.50%、85.72%,可见所提方法能够基于小样本训练数据有效提高卷积结构预训练模型的性能。
研究这样一个问题:给定多序列、支持度阈值和间隔约束,从多序列中挖掘所有出现次数不小于支持度阈值的频繁序列模式,这里要求模式中任意两个相邻元素在序列中的出现都要满足用户自定义的间隔约束,并且模式在序列中的出现要满足one-off条件。在解决该问题上,已有算法M-OneOffMine在计算模式的支持度时,只考虑模式的每个字符在序列中的首次出现,导致计算的模式支持度远小于其真实支持度,以致许多频繁的模式没有被挖掘出来。为此,设计了一个有效的带有间隔约束的多序列模式挖掘算法——MMSP算法:首先,通过采用二维表保存模式的候选位置;然后,根据候选位置采用最左最优的思想选择匹配位置。通过生物DNA序列进行实验,多序列中元素序列数目不变而序列长度变化时,MMSP挖掘出的频繁模式总数是同类算法M-OneOffMine的3.23倍;在元素序列个数变化时,MMSP挖掘出的频繁模式个数平均是M-OneOffMine的4.11倍;这两种情况下MMSP都有更好的时间性能。在模式长度变化时,MMSP挖掘出的频繁模式个数分别平均是M-OneOffMine的2.21倍和MPP的5.24倍。同时还验证了M-OneOffMine挖掘到的模式是MMSP挖掘到的频繁的子集。实验结果表明,MMSP算法不仅可以挖掘到更多的频繁模式,而且时间花费更少,更适合于实际的应用。
针对认知无线Mesh网络(CWMN)的频谱分配问题,提出了一种基于免疫多目标优化的实现算法。该算法将要求解的频谱分配建模为最大化总带宽和最小化占用频谱数的多目标优化问题,设计了适合问题求解的抗体编码方式、整体克隆算子和非支配抗体选择算子。仿真实验结果表明,所提算法可以求得CWMN频谱分配问题的Pareto最优解,提高了最大化总带宽,减少了最小化占用频谱,优化了频谱分配性能。
家庭基站是一种小体积、低发射功率的基站,它为长期演进(LTE) femtocell双层网络提供更好室内覆盖的同时也增加了整个系统的容量。然而,femtocell和宏基站(MeNB)之间的干扰不容小觑。针对二者间的干扰问题,提出一种基于软频率复用(SFR)的有效的LTE femtocell网络的小区间干扰协调(ICIC)方案。该方案中,为避免共信道干扰,先对宏小区进行SFR频域资源分配,然后让femtocell用户使用宏基站未占用的频域资源;并且当femtocell位于宏小区中心区域时,不使用同一扇区边缘区域占用的频带。仿真结果表明,此方案减小了不同类型用户间的干扰,整个网络的吞吐量比没有使用ICIC技术的情况提高了14%,同时小区边缘用户的平均吞吐量至少提高了34%。