基于视频纹理特征的自适应模式决策算法在HEVC帧内预测中的应用

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：本书对不确定条件下的决策算法作了广泛的介绍，内容涵盖了与决策有关的各种主题，介绍了基本的数学问题公式和解决这些问题的算法。 ◉ 目录： 第一部分：概率推理 - 表征 - 推理 - 参数学习 - 结构学习 - 简单决策 第二部分：顺序问题 - 精确解法 - 近似值函数 - 在线规划 - 政策搜索 - 政策梯度估计 - 政策梯度优化 - 角色批判方法 - 政策验证 第三部分：模型的不确定性 - 探索和利用 - 基于模型的方法 - 无模型的方法 - 模仿学习 第四部分：状态的不确定性 - 信念 - 准确的信念状态规划 - 离线信念状态规划 - 在线信念状态规划 - 控制器抽象 第五部分：多Agent系统 - 多Agent推理 - 序列问题 - 状态的不确定性 - 协作代理

可伸缩高效视频编码（SHVC）是高效视频编码（HEVC）的扩展。 由于用于HEVC的编码过程非常复杂，因此用于SHVC的编码过程甚至更加复杂，因此提高其编码速度非常重要。 在本文中，我们提出了一种用于质量SHVC帧内预测的快速模式和深度决策算法。 最初，仅检查部分模式以根据模式及其对应的Hadamard成本（HC）之间的关系确定局部最小点（LMP）； 然后通过跳过基于它们的层间相关性和纹理特征指示的可能性很小的深度来仅检查部分深度。 实验结果表明，该算法平均可提高编码速度61.31％，编码效率损失可忽略不计。

基于MABAC，相似性度量和EDAS的区间中性多属性决策算法

人工智人-家居设计-滑动定向钻探过程的智能决策算法研究与实现.pdf

人工智人-家居设计-不确定环境下智能空战优化决策算法研究.pdf

内容概要：通过通过对人脑认知的研究，将生物神经与数学建模相结合，提出了一种新的自主调节发育网络(AMDN)，并将其作为智能体的大脑，通过将决策计算模型与网络融合在了一起，网络不断的认知新的环境信息，同时由于层与层之间的信息交互以及新的神经元节点的插入，网络可以不断的去改进自己的决策，使自身可以很快的在环境中找到合适的路径，整个过程为全自主，省去了人工制作大量训练样本的工作量。为了提高智能体对新环境的适应性，增加了off-task 过程，在这个过程中，智能体通过门限自组织机制来控制神经元的激活，模拟人脑情景回忆的现象，对发生越近且次数越多的事情，暴露量越大，被回忆到的概率增加，通过转移认知，大脑可以对类似的事物有更多的认识，从而提高人工构建的智能体对环境的识别和决策能力。 适用人群：热衷于研究人工智能的科技爱好者或在校研究生，可作为毕设研究点。

DSS-决策算法.ppt

随着图像内容不断丰富，由计算机产生的屏幕内容(SC)图像开始普及。针对这类图像，高效视频编码标准(HEVC)增加了调色板模式来提升对SC图像的压缩性能，但会增加计算复杂度和编码时间。提出了一种基于视频内容复杂度分析的自适应调色板模式快速决策算法。该算法将图像亮度分量分块，并用离散余弦变换(DCT)来衡量每个块的复杂度，然后根据复杂度值形成判别矩阵，最后根据判别矩阵结合编码单元的信息来自适应地关闭或启用调色板模式，以减少计算量和编码时间。根据实验结果，当参考编码器设为启用调色板模式时，本文算法能节省的总编码时间达到完全关闭调色板模式所节省时间的69.24%，而相同峰值信噪比下的码率差异(BDBR)平均增加0.33%，相同码率下的峰值信噪比差异(BDPSNR)平均下降0.03 dB，基本不影响视频质量。

介绍智能驾驶决策方向的论文，主流决策算法出自该论文