99re只有精品,亚洲无码专区丝袜

飛機舵機電液伺服系統(tǒng)智能PID控制方法研究

針對飛機舵機電液伺服系統(tǒng)中PID控制器參數(shù)難以整定的問題，引入一種智能PID控制方法。該方法結(jié)合了粒子群算法和PID控制器的優(yōu)點，并利用蜂群算法的選擇策略對粒子群算法進行優(yōu)化，適應(yīng)了飛機舵機電液伺服系統(tǒng)非線性動態(tài)控制環(huán)境的要求。實驗結(jié)果表明，飛機舵機電液伺服系統(tǒng)智能PID控制方法能夠達到系統(tǒng)控制性能指標要求，相較于傳統(tǒng)PID控制器具有更良好的跟蹤效果。

發(fā)表于：12/16/2020

基于卷積神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測方法研究

織物瑕疵檢測是控制織物產(chǎn)品質(zhì)量的重要步驟，傳統(tǒng)的織物瑕疵檢測方法檢測效率低，勞動強度大。因此，針對傳統(tǒng)檢測方法存在的問題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的分類算法用于實現(xiàn)織物瑕疵檢測。網(wǎng)絡(luò)是在VGG16的基礎(chǔ)上進行減枝，通過優(yōu)化網(wǎng)絡(luò)參數(shù)實現(xiàn)最優(yōu)結(jié)果。首先，由于織物瑕疵大小差別較大，提出將瑕疵邊緣作為檢測的目標，這樣就可以將大尺度圖片分割為64×64的小尺度圖片用于網(wǎng)絡(luò)訓練，既提高了網(wǎng)絡(luò)的分類準確率，又解決了織物瑕疵圖像搜集困難的問題。其次，在測試過程中，提出對大尺度圖片進行有重疊的分割，然后對分割后的圖片進行分類，根據(jù)每張圖片的輸出標簽和位置來實現(xiàn)大尺度圖片的瑕疵檢測。實驗結(jié)果表明，本文所提出的網(wǎng)絡(luò)結(jié)構(gòu)相比于傳統(tǒng)的VGG16和LeNet網(wǎng)絡(luò)結(jié)構(gòu), 具有檢測速度快、檢測精度高等優(yōu)勢。

發(fā)表于：12/16/2020

人工智能基礎(chǔ)軟硬件架構(gòu)的關(guān)鍵技術(shù)研究

針對當前人工智能技術(shù)在軍用領(lǐng)域的應(yīng)用問題和難點，研究基于深度學習技術(shù)的軍用軟硬件架構(gòu)設(shè)計方法，并且結(jié)合業(yè)內(nèi)主流的軟硬件基礎(chǔ)架構(gòu)，分析在軍事應(yīng)用中涉及的關(guān)鍵技術(shù)和解決思路。通過對深度學習模型壓縮轉(zhuǎn)化、數(shù)據(jù)增強和分布式訓練等軟硬件架構(gòu)的關(guān)鍵技術(shù)研究，設(shè)計構(gòu)建了一站式人工智能開發(fā)平臺、嵌入式邊緣智能計算平臺，對軍用人工智能提供端到端的訓練、部署和測試支撐。該研究可為未來智能無人作戰(zhàn)系統(tǒng)提供軟硬協(xié)同的智能計算解決方案。

發(fā)表于：12/16/2020

基于改進P-Unet模型的巖屑顆粒識別

提出了一種基于改進P-Unet模型的巖屑顆粒識別方法。該方法基于Unet模型結(jié)構(gòu)，運用金字塔池化模塊聚合不同區(qū)域的上下文特征信息，以充分利用全局信息。改進P-Unet模型采用了殘差網(wǎng)絡(luò)ResNeXt101，在提高巖屑顆粒識別準確率前提下，減少了超參數(shù)數(shù)量。該模型采用了焦點損失函數(shù)，在一定程度上解決巖屑顆粒類別不平衡的問題，同時運用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積，較大程度減少了網(wǎng)絡(luò)的參數(shù)以及預(yù)測的時間。實驗結(jié)果表明，改進P-Unet模型得到的識別準確率對比同類先進算法有一定的提升，對巖屑顆粒識別的結(jié)果更加準確。

發(fā)表于：12/16/2020

基于GANs無監(jiān)督回歸三維參數(shù)化人臉模型

針對神經(jīng)網(wǎng)絡(luò)回歸訓練過程中三維人臉數(shù)據(jù)稀缺的問題，提出了基于生成對抗網(wǎng)絡(luò)(GANs)回歸三維參數(shù)化人臉模型(3DMM)的無監(jiān)督學習方式。首先利用GANs的對抗生成訓練使生成器回歸的3DMM參數(shù)符合真實感人臉形狀的參數(shù)分布。隨后將生成的三維人臉網(wǎng)格渲染成二維圖片，利用身份編碼器對輸入人臉及渲染人臉分別提取身份特征向量，通過不斷縮小向量之間的距離使得生成的三維人臉網(wǎng)格靠近輸入人臉的身份特征。實驗結(jié)果表明，該方法在重建結(jié)果頂點位置準確性上相對于現(xiàn)有的方法有明顯的提升，且擁有較好的RMSE值，能夠較好應(yīng)用于三維人臉重建任務(wù)。

發(fā)表于：12/16/2020

智能化武器裝備標準體系框架研究

近年來，隨著邊緣計算、深度學習等人工智能技術(shù)的迅速發(fā)展，基于人工智能技術(shù)的智能化武器裝備應(yīng)用日趨廣泛，這對智能化武器裝備的標準化工作提出了更高的要求。針對智能化武器裝備發(fā)展現(xiàn)狀進行分析與研究，基于智能化武器裝備標準現(xiàn)狀及發(fā)展需求建立了智能化武器裝備標準體系框架。同時，根據(jù)智能化武器裝備特點和智能化戰(zhàn)爭需求對未來的標準研制工作提出了建議。

發(fā)表于：12/16/2020

基于機器學習的惡意軟件檢測研究進展及挑戰(zhàn)

由于惡意軟件的數(shù)量日漸龐大，攻擊手段不斷更新，結(jié)合機器學習技術(shù)是惡意軟件檢測發(fā)展的一個新方向。先簡要介紹惡意軟件檢測中的靜態(tài)檢測方法以及動態(tài)檢測方法，總結(jié)基于機器學習的惡意軟件檢測一般流程，回顧了研究進展。通過使用Ember 2017和Ember 2018數(shù)據(jù)集，分析驗證了結(jié)構(gòu)化特征相關(guān)方法，包括隨機森林(Random Forest，RF)、LightGBM、支持向量機(Support Vector Machine，SVM)、K-means以及卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)等算法模型；使用收集的2019年樣本集分析驗證了序列化特征相關(guān)方法，包括幾種常見的深度學習算法模型。計算模型以在不同測試集上的準確率、精確率、召回率以及F1-值作為評估指標。根據(jù)實驗結(jié)果分析討論了各類方法的優(yōu)缺點，著重驗證分析了樹模型的泛化能力，表明隨著樣本的不斷演變，模型普遍存在退化問題，并指出進一步研究方向。

發(fā)表于：12/16/2020

全球工業(yè)機器人市場復(fù)合年增長率達14.21%

　　印度浦那 2020 年 12 月 15 日 / 美通社 / -- 　　預(yù)期新冠病毒（COVID-19）疫情將對全球工業(yè)機器人市場產(chǎn)生積極影響。多個行業(yè)正越來越多地通過使用機器人來實現(xiàn)制造和相關(guān)過程的自動化。政府機構(gòu)制定的封鎖措施造成了勞動力短缺，這加速了機器人在食品和飲料、汽車、制造業(yè)和制藥等行業(yè)的應(yīng)用。

發(fā)表于：12/16/2020

5G機器人 + 無人機，開啟電力巡檢新時代

　　智能巡檢，應(yīng)運而生　　隨著電網(wǎng)行業(yè)智能化轉(zhuǎn)型的深入推進，電力系統(tǒng)的運行狀態(tài)監(jiān)測、檢測體系正在逐步實現(xiàn)智能化。

發(fā)表于：12/16/2020

傳百度與吉利等數(shù)家車企初步接洽，商談組建電動汽車合資企業(yè)

　　與非網(wǎng) 12 月 16 日訊，近日，有消息稱，百度與包括吉利汽車在內(nèi)數(shù)家車企進行初步接洽，商談組建電動汽車合資企業(yè)事宜。針對此消息，百度回應(yīng)稱：對市場傳聞不作評論。

發(fā)表于：12/16/2020

第二屆TE Connectivity AI CUP競賽圓滿落幕

中國上海 -- 2020年12月15日 – 近日，由泰科電子（TE Connectivity，以下簡稱“TE”）主辦的第二屆AI CUP 2019-2020競賽歷時一年順利收官。三支高校隊伍從全球三個賽區(qū)脫穎而出：中國蘇州大學FeHulu團隊，中國華南理工大學BIPLAB團隊和美國普渡大學Indubitables團隊分別榮獲冠亞季軍。自2018年起，TE就發(fā)起了該競賽，為高校學子提供探索人工智能技術(shù)及應(yīng)用的平臺。今年賽事的范圍更是從亞洲擴展到了全球。學生們在嘗試人工智能技術(shù)與工業(yè)制造融合應(yīng)用的同時，通過國際間的技術(shù)交流拓寬視野，充實個人經(jīng)歷，為未來職場做好儲備。

發(fā)表于：12/16/2020

基于CNN-LightGBM模型的高速公路交通量預(yù)測

有效的交通流量預(yù)測對人們出行和交管部門監(jiān)管都有著重要的意義。傳統(tǒng)的交通量預(yù)測模型主要基于交通流的時間特性，未結(jié)合交通流的時間和空間特性進行深入挖掘，因此預(yù)測效果有時不佳。提出了一種基于CNN與LightGBM結(jié)合的交通流預(yù)測模型，首先利用CNN模型挖掘出高速公路相鄰路段監(jiān)測點和出入口的時間和空間關(guān)聯(lián)性，實現(xiàn)對交通流數(shù)據(jù)的時空特征提取，然后將CNN提取到的特征向量輸入到LightGBM模型中進行預(yù)測。為了驗證模型的有效性，實驗中使用了多種預(yù)測模型進行對比，實驗結(jié)果表明，所提出的考慮到時空特性的CNNLightGBM組合的模型可以明顯降低預(yù)測誤差，是一種有效快速的交通流預(yù)測模型。

發(fā)表于：12/15/2020

基于方面情感的層次化雙注意力網(wǎng)絡(luò)

基于深度學習的方面級情感分析，結(jié)合注意力機制的神經(jīng)網(wǎng)絡(luò)模型取得較好的分類效果，但常用方法僅考慮單一層面注意力機制，且無法獲取句子間依賴關(guān)系。設(shè)計了一種層次化的雙注意力神經(jīng)網(wǎng)絡(luò)模型用于方面級情感分析，針對特定方面引入方面目標的注意力機制以及文本上下文自注意力機制，獲取方面特征信息和句子的全局依賴信息；設(shè)計層次化GRU網(wǎng)絡(luò)，其中單詞層嵌入特定方面信息，獲取針對方面目標的句子內(nèi)部特征信息，句子層網(wǎng)絡(luò)通過雙注意力機制和詞語層的輸入，獲取句子間的特征依賴信息，從而實現(xiàn)深層次的方面情感分類。在SemEval 2014兩個數(shù)據(jù)集和Twitter數(shù)據(jù)集上進行對比實驗，驗證了該方法的有效性，針對方面級情感，分類準確率均得到了有效提升。

發(fā)表于：12/15/2020

基于疲勞駕駛的人眼定位方法研究

人眼定位是疲勞駕駛的研究關(guān)鍵。由粗到精，先后進行了人臉檢測、瞳孔定位。針對現(xiàn)有方向梯度直方圖人臉檢測算法泛化能力不佳的問題，提出了一種基于信息熵加權(quán)的HOG特征提取算法，該算法將待分類的人臉特征進行信息熵閾值加權(quán)，形成新的HOG特征，然后通過支持向量機進行分類；針對現(xiàn)有瞳孔定位算法準確率不高的問題，提出了多算法協(xié)同工作的瞳孔定位方法，以自商圖為基準尋找二值分割點，實現(xiàn)了眼部區(qū)域光照不變性，以灰度積分投影為依據(jù)實現(xiàn)了瞳孔精確定位。實驗結(jié)果表明，該文提出的人臉檢測算法在CelebA驗證數(shù)據(jù)集準確率可達到98.26%，較傳統(tǒng)識別方法有更高的準確率；而瞳孔定位算法也可達到令人滿意的精確度，提高了瞳孔定位的準確性。

發(fā)表于：12/15/2020

基于雙流卷積神經(jīng)網(wǎng)絡(luò)和生成式對抗網(wǎng)絡(luò)的行人重識別算法

近年來，針對行人重識別問題的深度學習技術(shù)研究取得了很大的進展。然而，在解決實際數(shù)據(jù)的特征樣本不平衡問題時，效果仍然不理想。為了解決這一問題，設(shè)計了一個更有效的模型，該模型很好地解決了目標的不同姿態(tài)的干擾以及數(shù)據(jù)集中的圖片數(shù)量不足的問題。首先，通過遷移姿態(tài)生成對抗網(wǎng)絡(luò)生成行人不同姿勢的圖片，解決姿態(tài)干擾及圖片數(shù)量不足的問題。然后利用兩種不同的獨立卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征，并將其結(jié)合得到綜合特征。最后，利用提取的特征完成行人重識別。采用姿勢轉(zhuǎn)換方法對數(shù)據(jù)集進行擴展，有效地克服了由目標不同姿勢引起的識別誤差，識別錯誤率降低了6%。實驗結(jié)果表明，該模型在Market-1501和DukeMTMC-Reid上達到了更好的識別準確度。在DukeMTMC-Reid數(shù)據(jù)集上測試時，Rank-1準確度增加到92.10%，mAP 達到84.60%。

發(fā)表于：12/15/2020