故障诊断是集成电路领域中的重要研究方向,基于测试激励集方法求解候选故障诊断是目前较为高效的诊断方法,而GTreord是目前具有较高诊断准确性的方法.在对GTreord方法深入研究的基础上,本文依据测试激励与候选故障诊断解之间的结构特征,通过分析电路故障输出响应,提出结合结构特征的测试激励集重排序的候选诊断(Reor⁃dering Test Default Diagnosis,RTDD)方法.根据测试激励对生成候选故障诊断解集合的影响程度的不同,提出测试分数概念;通过比较电路的实际故障输出响应、无故障输出响应、模型故障输出响应,计算出测试激励的测试分数.测试激励集依据测试分数进行重排序,并将重排序后的测试激励集用于故障诊断.实验结果表明,与GTreord方法相比,RTDD方法提高了测试激励集重排序的效率,求解时间提高1~4个数量级;此外,在保障同样诊断准确性的情况下,RTDD方法有效减少了所需测试的激励个数.
针对现有多目标跟踪方法易受到遮挡、运动模糊等问题干扰的情况,提出基于轨迹掩膜的在线多目标跟踪方法(online multi-object tracking method based on trajectory mask,OMTMTM)。提出轨迹掩膜生成算法,利用前一帧跟踪轨迹结果生成轨...
详细信息
针对现有多目标跟踪方法易受到遮挡、运动模糊等问题干扰的情况,提出基于轨迹掩膜的在线多目标跟踪方法(online multi-object tracking method based on trajectory mask,OMTMTM)。提出轨迹掩膜生成算法,利用前一帧跟踪轨迹结果生成轨迹掩膜,设计轨迹掩膜网络对轨迹掩膜提取多维度特征,包含目标可见区域的估计值、大致位置及形状等信息;将该特征与基础骨干网络提取的原始图像特征融合后进行多目标检测跟踪。OMTMTM的目标跟踪器具备先验判断能力,可实现遮挡情况下的准确跟踪;OMTMTM利用目标跟踪轨迹的时空信息,恢复出部分漏检或低置信待检目标,使轨迹掩膜更加合理,有利于后续跟踪。对OMTMTM的性能进行多维度评估,并结合基线模型进行对比分析。试验结果表明,OMTMTM具有先进的多目标跟踪性能。
[目的/意义]舆情趋势预测是信息安全领域的重点研究方向,网络舆情事件的早发现、早干预是对网络环境得以安全稳定的一种保障。但网络环境错综复杂,具有高突发性,现有研究多以线性预测为基础,对舆情突发事件预测效果欠佳。[方法/过程]为提升预测准确度,文章通过引入SDZ(Suprisal-Driven Zoneout)方法改进长短期记忆网络(Long-short Term Memory,LSTM)用固定概率更新神经元的不足,提出了基于SDZ-LSTM的舆情事件网络趋势预测模型。模型分为三个层次,首尾两个层次用LSTM网络来实现对舆情的精确预测,中间层SDZ-LSTM结构利用SDZ在LSTM原有结构基础上增加一个参数Zt,来对LSTM记忆单元Ct进行概率化的更新,该结构使模型在预测精度提高的同时,缩短了模型训练时长。[结果/结论]实验证明,文章所提模型在预测准确度和时效性上均优于当前基于神经网络的预测模型,有更好的舆情预测效果。
时序抽象作为分层强化学习的重要研究内容,允许分层强化学习智能体在不同的时间尺度上学习策略,可以有效解决深度强化学习难以处理的稀疏奖励问题。如何端到端地学习到优秀的时序抽象策略一直是分层强化学习研究面临的挑战。Option-Critic(OC)框架在Option框架的基础上,通过策略梯度理论,可以有效解决此问题。然而,在策略学习过程中,OC框架会出现Option内部策略动作分布变得十分相似的退化问题。该退化问题影响了OC框架的实验性能,导致Option的可解释性变差。为了解决上述问题,引入互信息知识作为内部奖励,并提出基于互信息优化的Option-Critic算法(Option-Critic Algorithm with Mutual Information Optimization,MIOOC)。MIOOC算法结合了近端策略Option-Critic(Proximal Policy Option-Critic,PPOC)算法,可以保证下层策略的多样性。为了验证算法的有效性,把MIOOC算法和几种常见的强化学习方法在连续实验环境中进行对比实验。实验结果表明,MIOOC算法可以加快模型学习速度,实验性能更优,Option内部策略更有区分度。
暂无评论