亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

本文提出了一種基于古代戰爭策略的新型元啟發式優化算法。所提出的戰爭策略優化（WSO）基于戰爭期間陸軍部隊的戰略移動。戰爭策略被模擬為一個優化過程，其中每個士兵都朝著最優值動態移動。所提出的算法模擬了兩種流行的戰爭策略，即攻擊和防御策略。士兵在戰場上的位置會根據所實施的戰略進行更新。為了提高算法的收斂性和魯棒性，引入了一種新的權重更新機制和一種弱士兵遷移策略。所提出的戰爭策略算法實現了探索階段和開發階段的良好平衡。介紹了該算法的詳細數學模型。在 50 個基準函數和四個工程問題上測試了所提算法的有效性。該算法的性能與十種流行的元啟發式算法進行了比較。各種優化問題的實驗結果證明了所提算法的優越性。

戰爭策略優化

古代王國擁有一支軍隊，以抵御其他王朝的進攻。王國的陸軍由步兵、戰車、大象等各種力量組成。在戰爭中，每個王國都會設計一種被稱為 "Vyuha "的戰略來攻擊對方的陸軍，以取得戰斗的勝利，從而確立自己的霸主地位。Vyuha 是戰爭中用于征服對方王國的各種陸軍部隊的模式或排列[69]。為了確保自己的陸軍達到預定目標，實現目標，皇帝和各單元的指揮官會按照特定的模式協調部隊。戰爭戰略是根據任務的目標、威脅、困難和前景制定的。戰爭戰略是一個持續的動態過程，在這個過程中，武裝力量只需協調并與對手作戰。隨著戰爭的進展，這種戰略可以適應不斷變化的條件。國王和指揮官的位置對陸軍士兵的位置有著持續的影響。國王和陸軍指揮官戰車頂部的旗幟代表他們的位置，所有士兵都能觀察到。團隊中的士兵接受訓練，根據鼓聲或其他樂器的聲音來制定策略。當一名軍事指揮官死亡時，戰略就會發生變化，其他每名指揮官都必須學會如何重建和繼續戰爭戰略的建立。國王的目標是征服對方的國王/首領，而陸軍士兵的主要目標則是攻擊對方隊伍，并在軍銜上取得進步。

戰爭戰略的各個步驟如下：

A. 隨機攻擊

在戰場上，陸軍部隊以戰略方式隨機分布在整個戰場上，攻擊對面的軍隊。軍隊中攻擊力最強的人員被視為陸軍首領或指揮官。國王是各軍團長的領導者。

B. 攻擊戰略

該戰略的主要目標是攻擊對方。國王帶頭并指導陸軍部隊。陸軍部隊找出對手的薄弱位置（有希望的搜索空間）并繼續進攻。國王和指揮官乘坐兩輛不同的戰車，戰車頂端插有戰略旗幟。士兵根據國王和指揮官的位置動態改變自己的位置。如果士兵成功提高攻擊力（體能值），他的軍銜就會提高。隨著士兵的晉升，他將成為其他人的好榜樣。但是，如果新的位置不適合作戰，士兵就會回到原來的位置。戰爭初期，陸軍部隊向四面八方移動，大步流星地改變自己的位置。

C. 鼓聲信號

國王會根據戰場上的局勢動態地改變戰略。因此，一群士兵會有節奏地擊鼓。士兵們會根據鼓聲的節奏改變策略，調整位置。

D. 防御戰略

這一戰略的主要目標是在不輸掉戰斗的情況下保護國王。指揮官或陸軍首領帶頭，利用陸軍部隊形成像鎖鏈一樣的包圍圈，將國王團團圍住。因此，每個士兵都會根據附近士兵的位置和國王的位置改變位置。陸軍部隊在戰爭中會嘗試探索大面積的戰場（搜索空間）。為了迷惑對方軍隊，陸軍會不時動態改變策略。

E. 薄弱士兵的替換/轉移

在戰斗中，戰斗技能最低的士兵或受傷的士兵可以與敵軍士兵同等對待。由于他的表現不佳，陸軍的威信完全受到威脅（算法效率）。戰爭中死亡的士兵很少，這可能會影響戰爭的結果。在此，陸軍有兩種選擇。一是用新兵替換受傷/體弱的士兵。第二個選擇是重新安置體弱的士兵。因此，他將受到所有其他士兵的引導（所有士兵的平均位置）和隔絕，以保護他，從而保持陸軍的士氣，使其在戰爭中獲勝的幾率很高。

F. 對方的陷阱

對方陸軍會根據自身的能力采用各種策略，迫使前軍向錯誤的方向移動或到達錯誤的目標（局部最優）。

在這項工作中，我們提出了貝葉斯優化算法，用于調整大規模光子庫計算機中的超參數。我們在以前報道的實驗系統上測試了這種方法，應用于計算機視覺中的一項具有挑戰性的任務，其中對來自標準圖像識別數據庫KTH和MNIST的視頻片段的圖像識別準確率分別為91.3%和99%，用于驗證所開發的光子遞歸神經網絡（RNN）的性能。我們還將其結果與非光子RNN計算（RC）界常用的光子RNN的網格搜索和貝葉斯優化進行了比較。我們報告了以下方面的改進：（1）分類性能，準確率提高了4%；（2）收斂到最佳超參數集的時間，大約減少了30%的時間（在準確率低于1.5%的情況下可以增加一倍）。考慮到我們的光子水庫計算機的精度接近于這項任務的最先進結果，以及以天為單位的實驗超參數優化時間，這些改進被證明是系統性能的寶貴提升。此外，用貝葉斯方法對超參數空間的廣泛探索為其基本結構和參數的相對重要性提供了寶貴的見解。考慮到貝葉斯優化算法提供的所有優勢，它可能很快成為光子庫計算中超參數優化的新標準方法。

圖2-基于光子學的系統說明，創建一個具有隨機拓撲結構的光子學遞歸神經網絡，用于自動分析視頻記錄中的人類行動。SLM：空間光調制器。Pol.：偏振器。改編自[Antonik2019]。

這項工作提出了一個在歐盟項目FOLDOUT中開發的融合和跟蹤系統，旨在通過融合不同的傳感器信息和提出對監視區域內檢測到的目標自動跟蹤來促進邊防工作。FOLDOUT的重點是歐盟內部和外部地區的穿透式樹葉檢測。融合多個傳感器信號可以提高檢測的有效性，特別是在森林和其他被樹葉遮擋的地區。我們使用加權地圖（也稱為熱圖）來結合多傳感器信息；對所產生的融合目標進行跟蹤；根據對融合檢測的時間關聯的成本計算來創建或更新跟蹤。我們比較了來自單個傳感器的跟蹤結果和來自融合目標的跟蹤結果，這些數據是在模擬邊界收集的，代表了保加利亞的實際歐盟邊界。結果表明，如果根據融合后的數據而不是單個傳感器的信息進行追蹤，追蹤效果會得到加強。

檢測與跟蹤方法

邊防軍的主要興趣是在全球地圖上對監視區域內檢測到的人員進行定位和跟蹤。為了實現這一目標，首先要將不同傳感器系統觀察到的單個人的探測結果進行融合。當檢測結果相互關聯并保持一致時，就可以在一個共同的地圖上對單獨的目標進行跟蹤。

圖2：指導動作（紅線），扮演一個非法越境的場景：1.一個人通過步行越過邊境。2.該人沿著邊境小路向大路走去。3.此人停下腳步，在路上停留很長時間（可能是在等待汽車中的走私者）。4.在某一時刻離開道路，躲進樹叢中。5. 在樹葉中，該人再次回到路上（可能再次尋找汽車）

A.單傳感器檢測

RGB和熱像儀中的人員檢測

基于深度學習的綜合物體檢測被應用于相機圖像上。深度學習方法已被證明優于以前的最先進的機器學習技術。深度神經網絡（DNNs）模仿了大腦感知和處理信息的方式。與以前的方法相比，DNNs學習了諸如人物檢測等任務所需的特征。近年來，DNN在物體檢測和分類任務上表現出突出的性能[9, 10]。在這項工作中，物體檢測是基于一個著名的DNN實現，即YOLO檢測器[11]。

PIR傳感器中的人員檢測

探測器經過調整，使被動紅外傳感器在PIR周圍7.5米的半徑內觸發人的存在。

B.異質傳感器融合

在這項工作中，我們使用加權地圖來提供傳感器數據的層次（也稱為HeatMaps），并以邏輯和數學的方式組合它們。它的動態是完全使用不同傳感器模式的傳感器檢測假設的事件驅動。這些傳感器假設包括位置（WGS84基準）、時間戳（Unix時間戳）和權重（例如，從傳感器檢測中獲取的信心）。為了實現這一點，有兩個組件是必不可少的：加權分布圖（HeatMaps）；線性意見庫。圖3顯示了這種方法的基本概念。

圖3：融合方法的基本概念（左），作為使用兩個加權分布圖（熱力圖）的例子。應用不同的衰減函數（右）來建立加權分布圖的時間動態行為。

加權分布圖(熱圖)

加權分布圖是我們數據融合方法的兩個基本組成部分中的第一個。加權地圖的基本思想是，保持和更新關于不同傳感器探測假設的時空信息。加權地圖來自于概率占用網格，但以加權的形式解釋傳入的數據。此外，還采用了時間上的衰減來模擬傳感器數據的及時行為。權重被存儲在一個可選擇分辨率的數組中，代表WGS84坐標中感興趣的矩形區域。圖3展示了用于模擬加權分布圖動態行為的可能衰減函數。

通常，加權分布圖對應于任何一種傳感器數據或傳感器模式（例如，從攝像機圖像中檢測人的邊界框）的時空。傳感器數據被攝取到一個專門的加權圖中，這導致加權圖的值根據傳入的傳感器假設的權重而增加（替換）。相對而言，衰減將及時應用到加權分布圖的值矩陣中。每次傳感器假設被攝入分布圖，它將通過重新計算加權分布圖的權重和衰減以前狀態的值來更新。

最后，線性意見庫允許我們結合多個加權分布圖，從而結合多傳感器模式，目的是減少傳感器系統的整體錯誤發現率。

線性意見庫(LOP)

我們融合方法的第二個重要組成部分是線性意見庫[8]。

每當一個加權分布圖的狀態由于新的傳感器檢測假設而被更新時，就會應用LOP。在評估了LOP之后，閾值處理使我們能夠產生警報。為了確定警報的位置，在組合值矩陣中超過閾值的區域使用分割算法（blob檢測）。這些警報是由多個傳感器假設產生的，用于為跟蹤提供必要的輸入數據，這將在下一節中描述。

C.多目標跟蹤

為了跟蹤越境進入禁區或敏感區域的入侵者的行動，我們開發了一種基于空間和時間上關聯目標檢測的成本計算的定制算法。該跟蹤系統的工作原理是完全基于目標的位置和時間戳建立一個模型。

在第一次檢測目標時，該模型以該檢測的位置和時間戳進行初始化。軌跡模型是用以下元組定義的：???? = (????,????,????)。

如果幾個目標檢測同時發生，那么創建的模型模板數量與同時收到的檢測數量相同。后續的檢測被添加到一個給定的軌道模型中，這取決于將檢測添加到軌道中的成本。該成本被定義為傳入的檢測和軌跡候選者之間的距離。

在有多個傳入的檢測和多個軌跡候選者的情況下，已經實施了匈牙利算法[12]，使檢測和軌跡之間的關聯產生最小的成本。

目標定位是廣泛的傳感和監視應用中遇到的一個基本信號處理問題。基于合適的相干信號模型的最大似然估計是開發高分辨率定位解決方案的一種流行方法。其中一種基于相干延遲和多普勒模型的方法是在[1]中提出的，它通過假設目標信號是一個具有已知統計量的隨機過程，直接從信號測量中估計出目標的位置。當目標在移動時，可以利用到達時間差（TDOA）和到達頻率差（FDOA）測量來確定目標位置和速度。然而，由于TDOA和FDOA都非線性地依賴于目標的位置和速度，從TDOA和FDOA測量中定位一個移動的目標是一個具有挑戰性的問題。處理非線性的一種方法是在TDOA和FDOA與目標位置和速度關系中引入冗余參數。在[2]中提出了一個移動目標的位置和速度的代數解決方案，通過采用冗余參數來線性化非線性估計問題。然而，基于冗余參數的方法導致了相當大的偏差，這是由公式中的回歸器和回歸體之間的噪聲相關性造成的。為了解決這個問題，[3]中提出了對[2]的擴展，即利用冗余參數和目標位置/速度之間的關系來完善解決方案。另一種方法是通過使用非線性優化方法直接解決非線性估計問題[4]，[5]。例如，[5]分兩步解決了非線性定位問題。在每一步中，使用TDOA估計值（第一步）或TDOA和FDOA估計值（第二步）的非線性加權最小二乘法問題被制定和解決，然后進行偏差減少。

大多數基于TDOA/FDOA的方法需要TDOA和FDOA估計值的協方差矩陣來進行加權最小二乘法擬合。協方差矩陣在實踐中往往是未知的，因為它取決于雷達到目標的距離和信號/噪聲統計。在本文中，我們考慮使用無源雷達進行移動目標定位。我們首先考慮基于信號的直接方法，并推導出目標位置和速度的最大似然估計（MLE），假設目標波形是未知的，并被建模為一個確定性過程。最大似然估計通過在參數空間上的搜索程序獲得目標位置和速度估計。雖然漸進式最優，但由于其復雜性，在一些有大量觀測數據的情況下，MLE可能實際上是不可行的。為了解決這個問題，我們提出了一個基于TDOA/FDOA估計的計算上更有效的兩步法。在第一步，我們通過使用二維（2-D）快速傅里葉變換（FFT）從信號測量中獲得TDOA和FDOA估計。在第二步，我們使用迭代加權最小二乘法（IRLS）過程，從TDOA和FDOA估計值中找到目標的位置和速度，每次迭代都涉及參數的封閉式更新。人們看到IRLS通常在幾次迭代后就會收斂。

如果納什均衡與動態過程的長期結果相對應，它作為預測工具的有用性可能取決于向均衡的收斂率。本文通過實驗測試了在智能體具有互補獎勵的競爭之間分配資源情況下，關于收斂到平衡速率的理論預測。響應性更強的競賽成功函數給了智能體更強的激勵去做出最佳反應，但學習模型預測在響應性更強的成功函數下，由于智能體在均衡狀態下面臨獎勵，導致向均衡狀態的收斂速度更慢。與學習模型的預測一致，我們觀察到在反應更強烈的成功函數下收斂的速度更慢，這表明非均衡獎勵包含了在經驗環境下收斂到均衡的速度有用信息。

擬議的研究活動調查了眼球凝視的空間分布，作為心理負荷的實時測量。最近的研究已經成功地將眼球凝視的分布與心理負荷聯系起來。這個研究項目的范圍是設計一套實驗來分離三類任務需求（即時間上的、精神上的和物理上的）的貢獻，并確定在使用空間分布的指數作為基于眼球的適應系統的觸發器時，應考慮其中的哪一種（以及何時）。

引言

眾所周知，眼球活動對腦力勞動負荷的變化很敏感，人們曾多次嘗試利用眼球追蹤器提供的信息來得出分配給任務的認知資源的穩定測量值。最近在我們實驗室進行的研究已經成功地將眼睛的注視點分布與心理負荷聯系起來，本報告中描述的研究活動的范圍是將三種類型的任務要求（認知、時間和物理）的貢獻分開，并確定其中哪些（以及何時）應該被考慮，以使用空間聚類的指數作為基于眼睛的適應系統的觸發。

更具體地說，這項研究的目的有三個方面：1）用大樣本和被試內設計評估所提出的措施對不同類型的任務要求的敏感性；2）評估所提出的措施作為適應性自動化的觸發器的有效性；3）用更復雜的算法擴展掃描路徑的空間分析。

鑒于這里提出的研究活動的基本性質，在實驗室實驗中使用了一個簡單的視覺-運動任務。盡管這些效果可以擴展到操作環境中，但在復雜/現實環境中的測試活動超出了本研究的范圍。

然而，這里描述的研究活動旨在調查使用眼睛注視點的空間分布作為心理工作量的實時測量，從而作為自適應系統的觸發器。這種方法可以很容易地在所有交通領域實施（見Di Nocera等人，2020），更不用說操作員坐在顯示器前的所有操作環境（如控制室）。這種方法最初是由Di Nocera, Camilli & Terenzi (2007)提出的，最近來自次要來源的證據證實，眼睛注視點的空間分布對心理工作量的變化很敏感（例如Chen等人，2022；Dillard等人，2014；Fidopiastis等人，2009；Foy & Chapman, 2018）。早期對該指數的功能意義及其對不同任務需求的敏感性的研究表明，當任務負荷取決于時間需求時，定影似乎是分散的，而定影聚類似乎取決于視覺空間需求（Camilli, Terenzi & Di Nocera, 2008）。在該研究計劃中使用的最近的鄰居指數（NNI）顯示出與其他通常被用作測量心理負荷的眼部指標相比的幾個競爭優勢。1）它提供被檢查的視覺場景的整個掃描路徑的信息，而不是取決于預先定義的感興趣的區域（就像 "熵 "那樣）；2）它可以在相對較小的歷時（1分鐘）內計算，從而有可能獲得關于個人功能狀態的持續信息；3）它是基于已發表的研究，可以使用開放的工具計算，不像其他專利工具，如Marshall（2007）的認知活動指數。此外，NNI不需要事后分析（就像事件相關電位那樣），它在現實世界的環境中具有很強的可操作性，這使得它成為衡量心理負荷的一個很好的候選指標，可以適應性地觸發一些自動化系統。

這里進一步研究了該指數的診斷性，通過操縱強加給個人的需求類型（精神、時間、身體），將其與熵的方法進行比較，并試圖通過對其進行擴展。

從微分幾何學的角度考慮了在有噪聲和雜波的情況下對小型無人機的雷達探測。由于無人機的低雷達截面（RCS），特別是在雜波環境中以及無人機在城市地區低速飛行時，無人機探測問題具有挑戰性。本文提出了兩種探測技術，即黎曼尼-布勞爾矩陣（RBM）和基于角度的混合-布勞爾（ABHB），以提高小樣本量和低信雜比（SCR）下的無人機探測概率。這些技術是基于正則化伯格算法（RBA）、布勞爾盤（BD）定理和黎曼平均數和距離。這兩種技術都利用RBA從每個快照中獲得托普利茨-赫米特正定（THPD）協方差矩陣，并應用BD定理對雜波加噪聲的THPD協方差矩陣進行分組。所提出的黎曼-布勞爾矩陣技術是基于雜波加噪聲集群的黎曼平均值與潛在目標之間的黎曼距離。所提出的基于角度的混合-布勞爾技術使用歐幾里得切空間和黎曼尼均值、黎曼尼中值和潛在目標點之間的黎曼尼測距。流形上潛在目標的角度是利用流形上的余弦定律計算出來的。所提出的檢測技術比快速傅里葉變換、基于黎曼距離的矩陣和Kullback-Leibler（KLB）分歧檢測器更有優勢。兩種提議的技術的有效性都用實際數據進行了證明。

時間序列是在一段時間內觀察到的一系列觀測值xt。通常情況下，觀測可以在整個時間間隔內進行，可以在一個時間間隔內或在固定的時間點上隨機采樣。不同類型的時間采樣需要不同的數據分析方法。在本課程中，我們將重點討論在固定的等距時間點觀測的情況，因此我們將假設我們觀測到{xt: t∈Z} (Z ={…， 0, 1, 2，…})。讓我們從一個簡單的例子開始，獨立的、不相關的隨機變量(時間序列的最簡單的例子)。圖1.1給出了一個曲線圖。我們觀察到數據中沒有任何清晰的模式。我們對下一次觀測的最佳預測(預測器)是零(這似乎是平均值)。時間序列與經典統計學的區別在于觀察結果之間存在相關性。這使我們能夠更好地預測未來的觀測結果。

//www.stat.tamu.edu/~suhasini/

對Timeseries數據中未來事件的準確和可解釋的預測通常需要捕獲支撐所觀察數據的代表性模式(或稱為狀態)。為此，現有的研究大多側重于狀態的表征和識別，而忽略了狀態之間變化的過渡關系。在本文中，我們提出了演化狀態圖，這是一種動態圖結構，旨在系統地表示狀態(節點)之間沿時間的演化關系(邊)。我們對由時間序列數據構成的動態圖進行分析，發現圖結構的變化(如連接某些狀態節點的邊)可以通知事件的發生(如時間序列波動)。受此啟發，我們提出了一種新的圖神經網絡模型——進化狀態圖網絡(EvoNet)，用于編碼進化狀態圖以實現精確和可解釋的時間序列事件預測。具體來說，演化狀態圖網絡對節點級(狀態到狀態)和圖級(段到段)傳播進行建模，并捕獲節點圖(狀態到段)隨時間的交互。基于五個真實數據集的實驗結果表明，與11個基線相比，我們的方法不僅取得了明顯的改進，而且為解釋事件預測的結果提供了更多的見解。