针对认知无线电网络中多个异质用户具有不同的服务质量 (QoS)要求, 提出一种基于多智能体强化学习的动态频谱分配方法。该方法从用户满意度角度出发, 以用户体验质量 (QoE)作为系统的评价指标, 构建多个虚拟智能体, 模拟多个用户以合作方式与环境进行交互学习, 融合各个用户的学习和频谱决策结果, 实现频谱资源优化分配。仿真结果表明, 在未知主要用户使用规律和信道动态特性条件下, 相比基于传统强化学习的动态频谱分配方法, 提出的方法能有效提高次用户的 QoE, 降低用户间的冲突概率。

为了实现遥感图像中目标的快速准确检测,解决遥感图像目标带有旋转角度的问题,在卷积神经网络理论的基础上,将旋转区域网络生成融入到Faster R-CNN网络中,提出了一种基于Faster R-CNN改进的遥感图像目标检测方法。相对于主流目标检测方法,本文算法针对遥感图像中的大多数目标都具有方向性不定且相对聚集的特点,在区域候选网络中加入了旋转因子,以便能够生成任意方向的候选区域;同时,在网络的全连接层之前增加一个卷积层,以降低其特征图参数,增强分类器的性能,避免出现过拟合。将本文算法与几种主流目标检测方法进行对比分析后可知,本文算法因融合了多尺度特征及旋转区域网络的卷积神经网络所提取的特征,能得到更好的检测结果。

对于基于块进行立体匹配的深度学习方法而言,网络结构的设计对匹配代价的计算至关重要,同时,卷积神经网络(CNN)在图像处理时的耗时问题也亟待解决。提出一种基于“缩小型”网络的CNN立体匹配方法。利用CNN训练左右图像块的相似性,计算出立体匹配的匹配代价。其中,CNN特征提取阶段,通过对每个层增加相应的批归一化层,可以使训练使用更大的学习率,加快网络训练收敛速度。另外,网络设计中全连接层采用“逐层缩小”的形式,结合上述网络优化和损失函数改善,在保证精度的同时提高了运行速度。使用KITTI数据集对算法进行验证,实验结果证明,相比目前国内外先进方法,本文算法在精度方面有一定优势,相比部分方法,速度有较大提升。