基于改进YOLOv5的道路目标检测

为提高自动驾驶中的道路目标检测精度,设计了一种基于YOLOv5的道路目标检测模型。该模型在YOLOv5s的网络模型基础上,将原始的初始锚框聚类算法改为K-means++算法来减小随机带来的聚类误差;并在Backbone中SPP模块之前引入SENet注意力机制,以增强道路目标重要特征并抑制一般特征,达到提高检测网络对道路目标的检测能力。在VOC2012改进数据集上训练、测试,基于改进的YOLOv5s的模型比原始YOLOv5s模型平均准确精度提高了2.4%。实验结果表明,改进的YOLOv5s模型能较好地满足道路目标检测的精度要求。     

椭圆曲线加密算法的一类实现

椭圆曲线密码体制(ECC)是利用椭圆曲线点群上的离散对数问题的难解性而提出的一种公开密钥算法,计算量集中在大数的点乘、点加、模乘、模加、模逆、模幂等方面。本文讨论了椭圆曲线加密算法中涉及的大数计算算法,并用给出椭圆曲线算法的C语言实现。     

An efficient algorithm to generate candidates in discovering frequent episodes

0 IntroductionData mining is widely used in many research fieldssuch as decision supporting systems[1], bio-informationanalysis[2]and knowledge engineering[3-5]. Most data col-lected from scientific experiments or telecommunicationnetworks have inherent sequential nature inthemand canthus be abstractly viewed as a sequence of events . Onebasic problemin miningsuchevent sequencesis discoveryof recurrent combinations of events , which are calledepisodes. Once frequent episodes are discovered,rul…     

Low-complexity systolic architecture for inversion

A modified extended binary Euclid＇ s algorithm which is more regularly iterative for computing an inversion in GF（2^m） is presented. Based on above modified algorithm, a serial-in serial-out architecture is proposed. It has area complexity of O（m）, latency of 5m - 2, and throughput of 1/m. Compared with other serial systolic arehiteetures, the proposed one has the smallest area complexity, shorter latency. It is highly regular, modular, and thus well suited for high-speed VLSI design.     

人工智能应用于民事诉讼证明的问题研究

在智能化全球背景下,人工智能与司法体制的结合是大势所趋,但在享受科技带来的便利之时注意其双刃剑的实质也是必要的.在《证据规定》修改之后,民事诉讼证明标准的主观性愈发明显,以科学算法和客观概率为运行基础的人工智能与以主观性为本质特征的民事诉讼证明标准结合就会产生一系列的排斥反应.因此,有必要通过正确认识人工智能的辅助地位...     

基于改进RRT*算法的移动机器人路径规划

为解决渐进最优快速扩展随机树(RRT*)算法在特殊环境下(如狭窄通道)路径规划存在的内存占用多、规划效率低等问题,提出了一种基于目标约束采样和目标偏置扩展的改进R RT*算法.首先,在采样上引入目标偏置策略,并对每次采样进行位置约束,使采样的目标导向性更强.然后,在新点扩展上摒弃了已有算法单纯朝着采样点扩展的思路,通过...     

体全息存储系统读出图像的放大率的补偿算法研究

在1∶1体全息存储系统的读出过程中,保证图像的不失真和降低误码率是最关键的问题。提出了一种新颖的放大率补偿算法,定量分析了放大率偏移误差对图像的影响,并通过理论推导和实验模拟证明了这一算法的可行性。     

基于DIGNET网络的数据融合方法

针对数据融合和目标识别的特点,提出了基于DIGNET自组织聚类人工神经网络的数据融合方法。考虑到多传感器系统测量多个参量的特点,用并行的子网络结构代替中间隐层,实现了基于决策层的信息融合目标识别。利用仿真数据对基于DIGNET的数据融合方法进行了实验研究。实验结果表明,该方法具有数据正确分类率高和抗噪能力强等优点,有效地实现了融合识别。将该方法应用于前视红外和可见光双传感器目标跟踪系统的数据融合识别是可行的。     

基于深度强化学习的无人机自组网路由算法

针对无人机自组网节点密度大、拓扑变换频繁,导致移动自组网复杂的问题,提出了一种基于深度强化学习(deep-reinforcement learning, DRL)的分布式无人机自组网路由算法。利用DRL感知学习无人机特征,使节点不断与环境交互、探索学习最优行动(路由)策略;通过存储经验知识,维护端到端路由,赋予无人机网络智能化重构和快速修复的能力,从而提高路径的稳定性,降低路由建立和维护开销,增强网络的鲁棒性能。仿真结果表明,提出的算法具有较好的收敛性能;在路由修复时间、端到端时延,以及网络适应性、扩展性方面都优于传统的路由算法。     

结合节点计算能力的MapReduce负载均衡方法

MapReduce是大数据计算领域广泛使用的编程模型,默认的Hash分区方法易导致数据倾斜,使各计算节点负载不均衡,影响了整体计算性能并造成了大量集群资源浪费。针对这一问题,提出一种结合节点计算能力的分区方法。通过运行一个独立的抽样作业,利用Reservoir抽样算法抽取待处理数据并统计样本里关键字的位置和频次;根据关键字的统计数据制定分区策略,使各分区负载与节点计算能力达到平衡,同时优化网络开销;以全量数据为输入运行计算作业,并采用已制定的分区策略对中间数据进行分区,得出计算作业的运行结果。实验结果表明,方法使各节点负载更加均衡,可明显提升计算作业执行效率。