基于实现小样本数据集下手势识别的目的，采用了深度卷积神经网络GoogLeNet模型以及PNN神经网络进行分类，同时结合了迁移学习的方法将深度学习模型进行迁移而构建所用模型。用公共数据集Keck Gesture进行实验，通过对数据集图像进行简单的图像预处理，使得图像特征更为明显，将预处理后的图像作为网络输入进行手势识别实验。经实验验证，该方法在该数据上平均准确率达到了99%以上，而且识别速度较快，达到了10帧/s，基本能满足实时性要求。

在没有任何关于信号和噪声的先验知识的条件下,自适应滤波器利用前一时刻已获得的滤波器参数来自动调节现时刻的滤波器参数, 以适应信号和噪声未知或随机变化的统计特性, 从而实现最优滤波。

群体智能典型算法研究综述

选址—路径问题(LRP)同时解决设施选址和车辆路径问题, 使物流系统总成本达到最小, 在集成化物流配送网络规划中具有重要意义。针对带仓库容量约束和路径容量约束的选址—路径(CLRP)问题, 提出了一种结合模拟退火算法的混合遗传算法进行整体求解。改进混合遗传算法分别对初始种群生成方式、遗传操作和重组策略进行改进, 并实现了模拟退火的良好局部搜索能力与遗传算法的全局搜索能力的有效结合。运用一组Barreto Benchmark算例进行数值实验测试其性能, 并将求解结果与国外文献中的启发式算法进行比较, 验证了改进混合算法的有效性和可行性。

本文在详细阐述车辆定位导航系统的相关知识的基础上，着重对地图匹配和 路径规划算法进行了研究。针对地图匹配算法，根据实际行驶中角度变化的大小 采取不同的匹配方法。角度变化较小时采用历史轨迹推断匹配法，角度变化较大 时采用曲线拟合法，即将低速但匹配精度较高的曲线拟合法与高速但匹配精度较 低的历史轨迹推断匹配法相结合，并在Visual Basic 6.0的环境下编程实现，从而获得了较高的匹配精度和较快的匹配速度。

现代技术的进步不断推动着人机交互。进化算法（EA）是一种机器学习（ML）子类，其灵感来源于达尔文进化论中的自然选择过程——适者生存。该类中最著名的算法是遗传算法（GA）——一种强大的启发式工具，能够生成高质量的优化问题解决方案。近几十年来，该算法经历了显著的改进，通过启发式搜索最优解，使其适用于广泛的工程问题。尽管定义明确，但许多工程问题在接近推导过程时可能会受到严重的分析纠缠，这是经典优化方法所要求的。因此，这里的主要动机是绕过这个障碍。在这项工作中，我想利用遗传算法的能力，以一种以前从未执行过的方式，检查一个独特燃烧问题的最优性。更准确地说，我想用它来回答这个问题：什么形式的初始液滴尺寸分布（iDSD）可以保证最佳火焰？为了回答这个问题，我将首先介绍遗传算法，然后开发燃烧模型，并最终将两者合并为一个优化问题。

将迁移学习和GAN生成对抗网络结合的一篇论述。

一、为什么需要进行可扩展性研究？ 1训练集大,准确率上升 2为了寻找到小事件情况 3其他需要 多大的数据量? 100M-1G 二、什么是可扩展性? 时间复杂度: 和记录个数、属性之间的关系。 对空间的需求： 避免超过主存的情况。 模型结果的质量： 质量不能明显的降低。

针对传统狼群算法（WPA）存在易陷入局部最优解、计算资源耗费大、鲁棒性低等问题，提出一种基于差分进化的改进狼群算法（DWPA）。首先，通过引入探狼搜索因子、猛狼最大奔袭次数、自适应围攻步长、差分进化策略等对传统狼群算法进行了改进，在降低算法计算耗费的同时提高了算法的全局搜索能力；然后，运用马尔可夫链理论证明了DWPA的收敛性；最后，对13个测试函数进行寻优测试，并与WPA等四种算法进行对比分析。测试结果表明，DWPA具有良好的鲁棒性和全局搜索能力，在求解多峰、高维、不可分函数方面的寻优能力尤为突出。

针对传统鲁棒高斯混合模型EM算法存在模型成分参数难以精确获取最优解以及收敛速度随样本数量的增加而快速降低等问题，提出了一种基于鲁棒高斯混合模型的加速EM算法。该算法采用隐含参量信息熵原理对高斯模型分量个数进行挑选，以及使用Aitken加速方法减少算法的迭代次数，当接近最优解时，EM步长的变化极为缓慢，这时使用Broyden对称秩1校正公式进行校正，使算法快速收敛，从而能够在很少的迭代次数内精确获取高斯混合模型的模型成分数。该算法通过与传统鲁棒EM算法和无监督的EM算法的聚类结果进行比较，实验证明该算法对初始值的设定并不敏感（成分数c无须预先设定），并且能够降低算法运算时间，提高聚类模型成分数（类簇）的正确率。