摘要： 圖像分割是圖像處理中重要的分支,為后續(xù)的圖像識別奠定了基礎(chǔ)。而圖像閾值分割的準確性很大程度上由閾值確定。與其它閾值分割方法相比,二維最大熵閾值法具有較好的分割效果,但是需要大量的運算,從而導致效率低、準確度低等問題。為準確高效的分割出圖像的感興區(qū),提出一種改進的鯨魚優(yōu)化算法與最大熵算法相結(jié)合算法。通過對傳統(tǒng)的鯨魚算法進行改進,提高尋找二維最大熵算法的閾值速度。仿真結(jié)果表明,改進算法與傳統(tǒng)的二維最大熵算法相比圖像分割效果更精確,且提高了運算速度和分割精度。在圖像分割應(yīng)用中具有一定價值。

摘要： 為了解決異質(zhì)網(wǎng)絡(luò)的結(jié)構(gòu)信息和語義信息挖掘不全面的問題,針對異質(zhì)網(wǎng)絡(luò)的鏈接預測,提出了將基于元路徑的分析方式與隱馬爾可夫模型相結(jié)合的鏈接預測方法。考慮到聚簇可以有效地捕獲異質(zhì)網(wǎng)絡(luò)的結(jié)構(gòu)信息,將k-means算法進行改進得到基于距離均方差最小的初始聚簇中心方法,并將其應(yīng)用到隱馬爾可夫模型(HMM)中,設(shè)計了基于聚簇的一階隱馬爾可夫模型(C-HMM(1))的鏈接預測方法,同時提出基于聚簇的二階隱馬爾可夫模型(C-HMM(2))的異質(zhì)網(wǎng)絡(luò)的鏈接預測方法。進一步考慮數(shù)據(jù)的特征信息,提出了將最大熵模型和二階隱馬爾可夫模型相結(jié)合的鏈接預測方法ME-HMM。實驗結(jié)果表明,ME-HMM比C-HMM方法的鏈接預測精確度更高,且ME-HMM因充分考慮到數(shù)據(jù)的特征信息比C-HMM的性能更加優(yōu)異。

摘要： 強化學習是機器學習中一個重要的分支,隨著深度學習的發(fā)展,深度強化學習逐漸發(fā)展為強化學習研究的重點。因應(yīng)用廣泛且實用性較強,面向連續(xù)控制問題的無模型異策略深度強化學習算法備受關(guān)注。同基于離散動作的Q學習一樣,類行動者-評論家算法會受到動作值高估問題的影響。在類行動者-評論家算法的學習過程中,剪切雙Q學習可以在一定程度上解決動作值高估的問題,但同時也引入了一定程度的低估問題。為了進一步解決類行動者-評論家算法中的高低估問題,提出了一種新的隨機加權(quán)三重Q學習方法。該方法可以更好地解決類行動者-評論家算法中的高低估問題。此外,將這種新的方法與軟行動者-評論家算法結(jié)合,提出了一種新的基于隨機加權(quán)三重Q學習的軟行動者-評論家算法,該算法在限制Q估計值在真實Q值附近的同時,通過隨機加權(quán)方法增加Q估計值的隨機性,從而有效解決了學習過程中對動作值的高低估問題。實驗結(jié)果表明,相比SAC算法、DDPG算法、PPO算法與TD3算法等深度強化學習算法,SAC-RWTQ算法可以在gym仿真平臺中的多個Mujoco任務(wù)上獲得更好的表現(xiàn)。

摘要： 針對電潤濕電子紙存在油墨回流、接觸角遲滯、電荷捕獲等現(xiàn)象導致圖像對比度不高、紋理邊緣不清晰和細節(jié)丟失等問題,本文提出了一種基于圖像分割和動態(tài)直方圖均衡的電潤濕顯示器圖像增強算法。該算法綜合了最大類間方差法(Otsu法)和最大熵分割算法的優(yōu)點,提出了基于方差權(quán)重的最大類間方差和最大熵閾值分割算法。利用該分割算法把圖像分割為背景區(qū)和目標區(qū),將兩個區(qū)域的亮度均值以及基于方差權(quán)重選取的閾值作為分割點將原始圖像直方圖分成四個子直方圖,然后分別對子直方圖進行灰度重分配,最后對四個子直方圖進行直方圖均衡。實驗結(jié)果表明:與其他將直方圖進行分區(qū)的直方圖均衡算法相比,該算法圖像質(zhì)量評價指標峰值信噪比提高約25.6%~45.5%,熵差降低約29.1%,結(jié)構(gòu)相似度更接近1。同時將其應(yīng)用在電潤濕顯示器上,其顯示圖像具有更高的對比度,細節(jié)紋理更加清晰,具有更好的視覺效果。

摘要： 文章應(yīng)用最大熵概率密度估計方法對某型船舶軸系支點軸承潤滑油光譜數(shù)據(jù)進行分析,基于濃度模型和濃度梯度模型求解鐵元素概率密度函數(shù),確定相應(yīng)的正常、警告和危險狀態(tài)界限值,指導設(shè)備的運行和維護。

摘要： 為提升醫(yī)療臨床服務(wù)績效考核效率與評價精度,設(shè)計基于MDT的醫(yī)療臨床服務(wù)績效考核綜合評價系統(tǒng)。用戶在客戶層Web瀏覽器登錄系統(tǒng),下達醫(yī)療臨床服務(wù)績效評價的服務(wù)請求,應(yīng)用層啟動對應(yīng)擴展應(yīng)用程序與數(shù)據(jù)層相連,使用SQL語言向數(shù)據(jù)庫服務(wù)器發(fā)出申請獲取相關(guān)數(shù)據(jù),基于最大熵馬爾柯夫模型完成MDT模式下醫(yī)療臨床服務(wù)績效考核綜合評價,評價結(jié)果傳輸至應(yīng)用層反饋給用戶。經(jīng)測試,所設(shè)計系統(tǒng)的評價結(jié)果均方誤差、平均絕對誤差最大值均小于0.03,不同并發(fā)用戶量下,系統(tǒng)的評估耗時與反饋時延極小。

摘要： 為提高電解精煉成的陰極銅板圖像結(jié)瘤的分割精度、減少分割時耗,提出了一種基于改進麻雀優(yōu)化算法(ISSA)的最大熵(ME)閾值分割算法。首先,采用改進logistic混沌映射初始麻雀種群以豐富種群多樣性,提高算法中初始解的質(zhì)量;然后引入發(fā)現(xiàn)者位置自適應(yīng)動態(tài)更新策略可通過平衡算法的全局探索和局部挖掘能力,提升算法的尋優(yōu)能力;最后根據(jù)局部最優(yōu)判別機制執(zhí)行隨機游走策略實現(xiàn)局部最優(yōu)值擾動,幫助算法跳出局部最優(yōu)空間。通過6個基準函數(shù)測試,驗證了ISSA的優(yōu)越性;利用ME準則構(gòu)建ISSA的目標函數(shù)搜索最佳閾值進行陰極銅板圖像結(jié)瘤分割。實驗結(jié)果表明,該方法的峰值信噪比、結(jié)構(gòu)相似度、特征相似性較5種智能算法整體提升分別0.0363 dB、0.0020、0.0046以上,分割時耗較ME法縮短至少67.2%,對結(jié)瘤陰極銅板表面質(zhì)量檢測具有重要潛在應(yīng)用價值。

摘要： 為保障大壩安全運行,根據(jù)變形監(jiān)測信息擬定準確合理的變形安全預警指標至關(guān)重要,而常規(guī)的預警指標擬定方法易受變形樣本隨機性和失效概率主觀性影響,為此探討了基于最大熵原理的變形樣本分布函數(shù)的確定方法,并將層次分析法和粒子群算法有機融合,構(gòu)建了表征不同運行性態(tài)的重力壩變形安全預警概率確定方法,基于此可確定考慮運行性態(tài)變化的重力壩變形安全多級預警指標。工程實例計算結(jié)果表明:應(yīng)用該方法擬定的5號壩段壩頂向下游方向水平變形安全一級、二級、三級預警指標結(jié)果分別為5.88,6.89,7.79 mm,與結(jié)構(gòu)分析法擬定結(jié)果較為吻合,佐證了該方法的有效性和可行性。

摘要： 隨著可再生能源發(fā)電的大規(guī)模接入,電力系統(tǒng)中的諧波呈現(xiàn)出更加明顯的隨機性、波動性等不確定性特征.為研究電力系統(tǒng)的不確定性諧波水平,提出了一種基于改進多點估計與最大熵分布的概率諧波潮流算法.首先,基于離散近似理論,確定獨立標準正態(tài)分布隨機變量的多重采樣點和權(quán)重;然后,根據(jù)隨機變量空間變換,獲得功率、諧波電流等任意分布隨機變量的權(quán)重與采樣點,并據(jù)此計算諧波電壓等輸出隨機變量的統(tǒng)計特征,進而基于最大熵分布求取輸出變量的概率分布.相比傳統(tǒng)點估計結(jié)合級數(shù)展開算法,所提算法通過改進的多點估計,提升了計算效率與準確度;通過引入最大熵分布,保證了概率密度函數(shù)擬合效果.利用改進的IEEE 33節(jié)點系統(tǒng)驗證了不同分析場景下所提方法的性能以及相比傳統(tǒng)算法的優(yōu)勢,并依據(jù)該方法分析了諧波潮流計算中輸入隨機變量相關(guān)性對系統(tǒng)諧波水平的影響.

摘要： 針對SAC(Soft Actor Critic)算法中所有樣本都以等概率隨機采樣,造成訓練速度慢,訓練過程不穩(wěn)定的缺點,提出了PER(Prioritized Experience Replay)-SAC算法.通過將優(yōu)先級經(jīng)驗采樣引入SAC算法,使網(wǎng)絡(luò)優(yōu)先訓練值估計函數(shù)誤差較大和策略表現(xiàn)不好的樣本,從而提高了Agent訓練過程的穩(wěn)定性與收斂速度.實驗結(jié)果表明,在多個環(huán)境及優(yōu)化算法下,PER-SAC算法在訓練速度及穩(wěn)定性上相比于SAC算法均有明顯提升.

摘要： 基于機器翻譯的信息隱藏Translation Based Steganography,TBS),是一類新的基于自然語言的文本信息隱藏算法.由于不同的翻譯機對同一個句子翻譯產(chǎn)生的結(jié)果在大多情況下是有區(qū)別的,因此使用多臺翻譯機翻譯同一段文本,會得到不同的意義相近的譯文.TBS算法根據(jù)隱藏信息的不同來選擇不同翻譯機的翻譯結(jié)果,形成的隱藏文本語法正確,語義連貫.由于TBS完全不同于傳統(tǒng)的基于格式或基于語法的文本信息隱藏算法,傳統(tǒng)的檢測算法對其幾乎沒有效果.本文將最大熵(Maximum Entropy,ME)算法用于TBS檢測中,利用文本復雜度和詞頻統(tǒng)計信息進行隱藏檢測.結(jié)果表明基于最大熵的TBS隱藏檢測是可行的,且檢測算法性能依賴于檢測文本的長度.

摘要： 本文采用最大熵模型進行了哈薩克語兼類詞詞性標注,并將未登錄詞轉(zhuǎn)化為兼類詞進行處理,當兼類詞的左右詞都是單性詞時,可以直接進行最大熵算法兼類詞詞性標注,當有連續(xù)兼類詞出現(xiàn)時,使用路徑搜索算法與最大熵算法結(jié)合進行兼類詞詞性標注.使用過程中對模型進行了改進,在解碼中取概率最大的前n個詞性加入到下一個詞的特征向量中,以此類推直至句子結(jié)束,最終選出一條概率最優(yōu)的詞性標注序列.在2008年1月份《新疆日報》哈語版語料庫上進行的封閉測試和開放測試中,正確率分別為93.74%和87.69%.

摘要： 自從1948年香農(nóng)在一文中提出信息論,信息論成為揭示復雜信息處理系統(tǒng)基本原理的一個強有力的工具.本文中根據(jù)信息論的基本原理和方法,提出運用最小互信息和最大熵原理來對神經(jīng)編碼進行研究和分析.在文中,我們首先介紹了幾種常見研究神經(jīng)編碼的方法和理論,對它們的基本原理進行綜述.接著,我們將重點展示最小互信息和最大熵原理是如何用于衡量神經(jīng)元反應(yīng)中的信息,并用Matlab數(shù)學軟件工具對其做了數(shù)值模擬和仿真,得出了其他方法沒能發(fā)現(xiàn)的一些性質(zhì).最后,我們還比較這兩種方法的異同點,指出它們各自的特點,以及它們在大規(guī)模集群中神經(jīng)編碼分析上的一些應(yīng)用,進而揭示神經(jīng)元活動的內(nèi)在規(guī)律和神經(jīng)編碼的相關(guān)機制.

摘要： 本文針對統(tǒng)計機器翻譯中基于最大熵短語重排序模型特征抽取算法。提出一種改進算法。該算法能夠抽取出更多準確的短語重排序信息，特別是逆序短語的特征信息，解決了原算法中最大熵訓練時特征數(shù)據(jù)不平衡問題，即保序短語特征信息數(shù)量遠超過逆序短語信息數(shù)量，提高了翻譯中短語重排序的準確率。本文以NIST MT 05作為漢語到英語翻譯的測試集，實驗結(jié)果表明改進后的系統(tǒng)BLEU值比原系統(tǒng)提高0.65％。

摘要： 在對標準潛在狄利克雷分布(LDA)模型進行改進的基礎(chǔ)上,提出了一個主題情感混合最大熵LDA模型對在線評論進行細粒度觀點挖掘.首先,在傳統(tǒng)LDA模型中加入最大熵組件來區(qū)分背景詞、特征詞和觀點詞,并對特征詞和觀點詞進行局部和全局的劃分;然后,在主題層和單詞層之間加入情感層,將傳統(tǒng)的LDA三層模型擴展成四層;最后,進行情感極性分析,同時獲取整篇評論和每個主題的情感極性,生成細粒度的主題情感摘要.實驗驗證了所提模型和理論的有效性.

摘要： 為了抑制直接序列擴頻(DSSS)系統(tǒng)中的強窄帶干擾,本文提出了一種新的基于最大熵概率密度函數(shù)(PDF)估計的局部最優(yōu)檢測器(LOD).它運用最大熵PDF估計來解析地表達LOD中觀測噪聲的PDF,并采用一種基于最小二乘法參數(shù)初始值設(shè)定的非線性Gauss-Newton算法來準確估計最大熵PDF中的拉格朗日系數(shù).該干擾抑制技術(shù)減少了LOD中觀測噪聲PDF估計不準確引入的誤差,同時不需要任何訓練數(shù)據(jù)和信號幅值信息.仿真結(jié)果表明:基于最大熵PDF估計的LOD干擾抑制技術(shù)能夠強有力地抑制窄帶干擾,復現(xiàn)直擴信號的三角相關(guān)特性.當輸入干噪比為20dB時,經(jīng)過此干擾抑制器后接收信號的干噪比改善量相對于線性自適應(yīng)FIR濾波器和非線性自適應(yīng)ACM濾波器分別有30dB和26 dB的改善,同時信噪比損失量分別有3.1dB和1.6 dB的改善,并且輸入干噪比越大,干噪比改善量就越大.

摘要： 針對利用最大熵可靠性評估方法對飛機、導彈等武器系統(tǒng)評估過程中,存在模型參數(shù)求解困難、對非線性規(guī)劃問題求解過程不明確等問題,提出了利用遺傳算法理論求解非線性規(guī)劃問題,規(guī)劃了最大熵可靠性模型的參數(shù)求解流程,設(shè)計了相關(guān)程序.最后,結(jié)合實例,對某武器系統(tǒng)進行分析,利用收集到的數(shù)據(jù)進行建模和參數(shù)求解.結(jié)果證明,利用遺傳算法求解最大熵可靠性評估中的非線性規(guī)劃問題是科學的、可行的,也為解決其他非線性規(guī)劃問題提供了一種借鑒方法.

摘要： 現(xiàn)代漢語副詞用法功能和用法繁雜多樣，其用法的自動識別對自然語言處理有著重要作用。本文選取了支持向量機、條件隨機場和最大熵作為三個單分類器模型，研究了準確率加權(quán)、概率加權(quán)、最大值投票和基于錯誤修正的加權(quán)四種集成方法在現(xiàn)代漢語副詞用法自動識別中的應(yīng)用。并以已標注的2000年1月人民日報為實驗語料對十二個副詞用法自動識別進行了測試。從實驗結(jié)果來看，準確率加權(quán)和基于錯誤修正的加權(quán)兩種方法宏平均準確率分別達到了86.31％、86.42％，高出最優(yōu)單分類器1.69％和1.80％，表明多分類器集成的方法對副詞用法自動識別有一定的效果。

摘要： 俄語是一種形態(tài)豐富的語言，其形態(tài)切分相關(guān)語料較為缺乏或帶有噪聲，這些都為俄語的形態(tài)切分研究帶來困難。我們將此問題建模為經(jīng)典的序列標注模型，首先自動切分小規(guī)模俄漢雙語詞典提取出形素字典作為訓練數(shù)據(jù)，然后針對這種語言特點訓練了一個基于最大熵的標注模型。在聯(lián)合國六國平行語料中抽取的7萬俄漢對齊句對上進行的機器翻譯實驗證明，我們的方法使得BLEU值相對沒有形態(tài)切分的基線系統(tǒng)提高了1.92%。

摘要： 特征選取是用統(tǒng)計方法進行詞義排歧的關(guān)鍵。本文通過句法塊的分析結(jié)果，將主語和賓語、以及主語和賓語在知網(wǎng)中的歸類信息應(yīng)用于目標動詞的詞義排歧。實驗表明，句法特征對于目標動詞的詞義排歧有重要作用，相對于僅使用詞語和詞性特征的系統(tǒng)，加入人工標注句法特征后，擁有類動詞正確率由83.7％提高到89.2％，存在類動詞正確率由84.8％提高到86.1％。

摘要： 一種基于熵吸引的最大熵子帶回聲消除方法，其步驟是：A、信號的采樣與處理，遠端信號構(gòu)成當前時刻n分析濾波器一的輸入向量U(n)，輸入向量U(n)經(jīng)分析濾波器一分割成I個遠端子帶向量Ui(n)，將遠端信號濾波輸入向量U(n)經(jīng)分析濾波器分割成子帶信號Ui(n)；B、信號的抽取，將Ui(n)經(jīng)抽取器進行N抽取，得到抽取后的輸入信號Ui(k)；C、濾波器的輸出，D、回聲抵消，將近端子帶抽取信號di(k)與輸出子帶信號yi(k)相減得到誤差信號ei(k)，E、權(quán)系數(shù)向量的更新：E1、計算抽取時刻k的熵吸引量P(k)；E2、更新得到下一個抽取時刻k+1的權(quán)系數(shù)向量W(k+1)；F、令n＝n+1，重復A、B、C、D的步驟,直至通話結(jié)束。該方法的收斂速度快、穩(wěn)態(tài)誤差低，回聲消除效果明顯。

摘要： 本發(fā)明涉及一種應(yīng)用最大熵原理的風電最大裝機容量預測方法。本發(fā)明要解決的技術(shù)問題是提供一種應(yīng)用最大熵原理的風電最大裝機容量預測方法，以實現(xiàn)風電最大裝機容量的快速、精確預測，為電網(wǎng)的合理規(guī)劃奠定基礎(chǔ)。解決該問題的技術(shù)方案：應(yīng)用最大熵原理的風電最大裝機容量預測方法，包括：1)建立最大化風電裝機容量的機會約束規(guī)劃模型；2)采用結(jié)合最大熵方法的模式搜索法求解機會約束規(guī)劃模型，得到系統(tǒng)的風電最大裝機容量的預測值。本發(fā)明主要用于風電技術(shù)領(lǐng)域。

摘要： 本發(fā)明公開了一種基于最大熵原理與交叉熵重要抽樣的電網(wǎng)可靠性評估方法。本發(fā)明引入最大熵原理，建立重要抽樣概率密度函數(shù)在滿足先驗信息約束條件下信息熵最大的優(yōu)化模型，耦合重要抽樣概率密度函數(shù)的交叉熵最小的優(yōu)化模型，構(gòu)造連續(xù)型隨機變量重要抽樣分布估計的多目標規(guī)劃模型，并通過最優(yōu)化理論得到該問題的多劣解，即重要抽樣概率密度函數(shù)的一般表達式。本發(fā)明建立的連續(xù)型隨機變量重要抽樣概率密度函數(shù)完全基于先驗信息的各階矩約束條件，不需對重要抽樣概率密度函數(shù)的分布形式作任何假設(shè)，因此更加靈活通用。有望解決現(xiàn)有概率評估技術(shù)實時性差的問題，從而顯著提高電力運行校核的準確性與合理性。

摘要： 本發(fā)明是一種熵維度與最大熵比的股市投資者情緒代理指標選擇方法，涉及股市投資者情緒測度領(lǐng)域，包括:指標海選，任何與股票市場或投資者有關(guān)的指標均可納入到備選指標庫；初選，剔除數(shù)據(jù)不可得或數(shù)據(jù)不連續(xù)的無效指標；篩選，通過無關(guān)分析剔除無關(guān)指標；遴選，通過相關(guān)分析和聚類分析刪除冗余信息量大于閾值的指標；優(yōu)選，計算主成分分析、熵維度、信息熵與最大熵之比，結(jié)合聚類分析圖譜留選顯著性最高的指標。本發(fā)明開放式選擇指標，設(shè)計合理，經(jīng)過一系列的量化分析，確定指標留選數(shù)量范圍，得到更科學、更包容、更廣泛的投資者情緒測度的代理指標。

摘要： 本發(fā)明是一種熵維度與最大熵增量群的股市投資者情緒指標選擇方法，涉及股市投資者情緒測度領(lǐng)域，包括:指標海選，任何與股票市場或投資者有關(guān)的指標均可納入到備選指標庫；初選，剔除數(shù)據(jù)不可得或數(shù)據(jù)不連續(xù)的無效指標；篩選，通過無關(guān)分析剔除無關(guān)指標；遴選，通過相關(guān)分析和聚類分析刪除冗余信息量大于閾值的指標；優(yōu)選，計算主成分分析、熵維度、敏感因子的集群，即多種狀態(tài)下的最大熵與信息熵之差比最大熵，結(jié)合聚類分析圖譜留選顯著性最高的指標。本發(fā)明開放式選擇指標，設(shè)計合理，經(jīng)過一系列的量化分析，確定指標留選數(shù)量范圍，得到更科學、更包容、更廣泛的投資者情緒測度的代理指標。

摘要： 一種基于熵吸引的最大熵子帶回聲消除方法，其步驟是：A、信號的采樣與處理，遠端信號構(gòu)成當前時刻n分析濾波器一的輸入向量U(n)，輸入向量U(n)經(jīng)分析濾波器一分割成I個遠端子帶向量Ui(n)，將遠端信號濾波輸入向量U(n)經(jīng)分析濾波器分割成子帶信號Ui(n)；B、信號的抽取，將Ui(n)經(jīng)抽取器進行N抽取，得到抽取后的輸入信號Ui(k)；C、濾波器的輸出，D、回聲抵消，將近端子帶抽取信號di(k)與輸出子帶信號yi(k)相減得到誤差信號ei(k)，E、權(quán)系數(shù)向量的更新：E1、計算抽取時刻k的熵吸引量P(k)；E2、更新得到下一個抽取時刻k+1的權(quán)系數(shù)向量W(k+1)；F、令n＝n+1，重復A、B、C、D的步驟,直至通話結(jié)束。該方法的收斂速度快、穩(wěn)態(tài)誤差低，回聲消除效果明顯。

摘要： 本發(fā)明涉及一種應(yīng)用最大熵原理的風電最大裝機容量預測方法。本發(fā)明要解決的技術(shù)問題是提供一種應(yīng)用最大熵原理的風電最大裝機容量預測方法，以實現(xiàn)風電最大裝機容量的快速、精確預測，為電網(wǎng)的合理規(guī)劃奠定基礎(chǔ)。解決該問題的技術(shù)方案：應(yīng)用最大熵原理的風電最大裝機容量預測方法，包括：1)建立最大化風電裝機容量的機會約束規(guī)劃模型；2)采用結(jié)合最大熵方法的模式搜索法求解機會約束規(guī)劃模型，得到系統(tǒng)的風電最大裝機容量的預測值。本發(fā)明主要用于風電技術(shù)領(lǐng)域。

摘要： 一種基于最大熵自適應(yīng)抗差估計的USBL斜距修正方法，1)記錄USBL發(fā)送請求報文時刻的SINS姿態(tài)轉(zhuǎn)移矩陣、速度和位置信息，2)記錄USBL接收到應(yīng)答器報文時刻的方位角，SINS姿態(tài)、速度和位置信息，3)根據(jù)發(fā)送時刻和接收時刻SINS的解算結(jié)果修正USBL的斜距，4)根據(jù)3)修正的USBL斜距和2)采集的方位角、高度角和SINS解算信息，建立SINS/USBL緊組合系統(tǒng)模型，5)計算動力學模型誤差自適應(yīng)因子和根據(jù)最大熵原則計算增益矩陣，6)對5)的模型進行卡爾曼濾波融合，對SINS進行反饋校正，輸出導航結(jié)果。重復上述步驟，直至導航結(jié)束，利用捷聯(lián)慣導系統(tǒng)測量的姿態(tài)和位置建立USBL發(fā)射和接收時刻之間的變化模型，推導接收時刻的斜距修正值。最后，為了抑制異常噪聲對定位精度的影響。

摘要： 本發(fā)明提出了一種基于可控最大熵自編碼器的零樣本語音風格遷移方法，其中，方法包括：構(gòu)建標簽為說話人的語音數(shù)據(jù)集；構(gòu)建可控熵風格特征提取分類網(wǎng)絡(luò)，利用語音數(shù)據(jù)集語音及其標簽對該網(wǎng)絡(luò)參數(shù)進行優(yōu)化；構(gòu)建無標注語音數(shù)據(jù)集；構(gòu)建可控最大熵語音風格遷移自編碼器網(wǎng)絡(luò)，利用無標注語音數(shù)據(jù)集語音對該網(wǎng)絡(luò)參數(shù)進行優(yōu)化；引入源語音以及目標語音，利用可控最大熵語音風格遷移自編碼器網(wǎng)絡(luò)對源語音以及目標語音進行風格遷移，將風格遷移后語音樣本的梅爾譜圖通過頻譜逆變器轉(zhuǎn)換為風格遷移之后的語音片段。本發(fā)明的技術(shù)方案，訓練簡單，易于收斂，實現(xiàn)了風格特征和內(nèi)容特征的解耦，可以解決零樣本、少樣本、多語言的語音風格遷移任務(wù)。

摘要： 本發(fā)明涉及一種非線性系統(tǒng)，具體地說，涉及基于最大熵高階擴展的濾波器用非線性系統(tǒng)。其包括變量處理單元、等價表示單元、模型建立單元、模型改寫單元和求解轉(zhuǎn)換單元。本發(fā)明中通過結(jié)合預測誤差協(xié)方差矩陣，建立預測值和測量值擴維向量的相互獨立分解方法，并將每一時刻多次實現(xiàn)得到的目標函數(shù)進行統(tǒng)計，與抽樣平均估計算法的核心公式相對應(yīng)，建立用于估計系統(tǒng)狀態(tài)的目標函數(shù)，從而更好的匹配了原樣本均值估計器的思想，另外，將增益矩陣建模為一個不動點方程，進行在線迭代優(yōu)化求解，并通過設(shè)置不同的參數(shù)，獲得在不同條件下的最優(yōu)估計值，從而提高估計值的精確度。