結(jié)合本征分解和抽樣學(xué)習(xí)的快速SVM分類器

為了提高經(jīng)典支持向量機（SVM）分類器的運算效率，提出一種改進的快速SVM分類器。針對低維空間向高維空間變換時核矩陣運算效率低的問題，采用本征分解方法對核矩陣進行降維處理，得到核矩陣的近似表示；同時，對訓(xùn)練子集進行劃分，隨機抽樣訓(xùn)練樣本進行學(xué)習(xí)，進一步提高SVM分類器的運算效率。圖像分類實驗結(jié)果表明，改進的SVM分類器不僅分類正確率高于經(jīng)典SVM、隨機森林和神經(jīng)網(wǎng)絡(luò)分類器，而且訓(xùn)練耗時最少，平均分類耗時也低于經(jīng)典SVM分類器。

發(fā)表于：10/23/2017

人工智能下棋已不新鮮，未來還要當(dāng)一名優(yōu)秀“寫手”？

現(xiàn)在人工智能的寫作也在快速發(fā)展，一些簡單的新聞以及文稿如今已經(jīng)不弱于一般人的寫作。

發(fā)表于：10/23/2017

拳打AlphaLee，腳踢AlphaMaster，全新AlphaZero實現(xiàn)自我學(xué)習(xí)

柯潔稱：“一個純凈、純粹自我學(xué)習(xí)的alphago是最強的...對于alphago的自我進步來講...人類太多余了?！?/a>

基于MapReduce的并行抽樣路徑K-匿名隱私保護算法

K-匿名算法及現(xiàn)存K-匿名改進算法大多使用犧牲時間效率降低發(fā)布數(shù)據(jù)信息損失量的方法實現(xiàn)數(shù)據(jù)的匿名化，但隨著數(shù)據(jù)量的急劇增長，傳統(tǒng)的數(shù)據(jù)匿名化方法已不適用于對較大數(shù)據(jù)的處理。針對K-匿名算法在單機執(zhí)行過程中產(chǎn)生大量頻繁項集和重復(fù)搜索數(shù)據(jù)表的缺點，將MapReduce模型引入到抽樣泛化路徑K-匿名算法中對其進行優(yōu)化。該方法兼具MapReduce及抽樣泛化算法的優(yōu)點，高效分布式匿名化數(shù)據(jù)集，降低發(fā)布數(shù)據(jù)集信息損失量，提高數(shù)據(jù)的可用性。實驗結(jié)果表明：當(dāng)數(shù)據(jù)量較大時，該優(yōu)化算法在時間效率及數(shù)據(jù)精度方面有顯著提高。

發(fā)表于：10/20/2017

基于FPGA的LMS自適應(yīng)濾波器設(shè)計

提出一種基于LMS（Least Mean Square）自適應(yīng)算法的濾波方法，介紹該方法在低頻信號濾波上的應(yīng)用及在FPGA平臺上實現(xiàn)。傳統(tǒng)數(shù)字濾波器FIR、IIR濾波器針對不同的系統(tǒng)和干擾信號，其濾波參數(shù)不固定。因此，在窄帶信號的濾波處理中，傳統(tǒng)濾波器對信號濾波降噪的效果往往受到衰減增益限制。提出的方法先以CORDIC(Coordinate Rotation Digital Computer)算法產(chǎn)生的正弦信號來調(diào)制采樣信號，根據(jù)采樣信號與基準(zhǔn)信號誤差使其權(quán)向量沿負(fù)梯度方向終止于維納解。該方法在類直流輸入及帶寬窄的情況下仍能有效過濾高頻噪聲，讀取低檢測信號幅值。理論分析和實驗結(jié)果表明,與傳統(tǒng)濾波方法對比，該濾波方法在處理窄帶信號的濾波上更具有優(yōu)勢。

發(fā)表于：10/17/2017

基于跨平臺的實時數(shù)據(jù)處理系統(tǒng)的設(shè)計

設(shè)計實現(xiàn)了一款實時數(shù)據(jù)處理系統(tǒng)，是SCADA（數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)）的數(shù)據(jù)核心。在基于國產(chǎn)軟硬件平臺的基礎(chǔ)上，采用跨平臺的架構(gòu)設(shè)計，介紹了實時數(shù)據(jù)處理系統(tǒng)的功能及設(shè)計實現(xiàn)。該實時數(shù)據(jù)處理系統(tǒng)采用在共享內(nèi)存中創(chuàng)建多個隊列的方式存放輸入和輸出的數(shù)據(jù)，既方便多個進程同時存取數(shù)據(jù)，又保證了數(shù)據(jù)處理的實時性。

發(fā)表于：10/16/2017

結(jié)合改進編輯距離與SVM的圖像分類方法

提出了一種圖像分類方法，結(jié)合圖像的多尺度字符串表示以及改進的編輯距離和SVM分類器進行圖像分類。首先，對圖像進行多尺度分塊，提取各個歸一化圖像子塊上的方向梯度直方圖特征，并將生成的多尺度特征向量用多個字符串進行表示；然后，提出融合編輯操作，改進字符串的編輯距離，通過計算兩幅圖像對應(yīng)的兩組字符串之間的改進編輯距離來測量兩幅圖像的相似度；最后，采用改進的編輯距離計算徑向基函數(shù)，進行改進的SVM分類。實驗結(jié)果表明，該方法的分類正確率高，且平均分類耗時少。

發(fā)表于：9/14/2017

基于KELM決策融合的語音情感識別

針對語音情感信號的復(fù)雜性和單一分類器識別的局限性，提出一種核函數(shù)極限學(xué)習(xí)機（KELM）決策融合的方法用于語音情感識別。首先對語音信號提取不同的特征，并訓(xùn)練相應(yīng)的基分類器，同時將輸出轉(zhuǎn)化為概率型輸出；然后利用測試集在基分類器的輸出概率值計算自適應(yīng)動態(tài)權(quán)值；最后對各基分類器的輸出進行線性加權(quán)融合得到最終的分類結(jié)果。利用該方法對柏林語音庫中4種情感進行識別，實驗結(jié)果表明，提出的融合KELM方法優(yōu)于常用的單分類器以及多分類器融合方法，有效地提高了語音情感識別系統(tǒng)的性能。

發(fā)表于：9/14/2017

基于基元自相關(guān)圖和結(jié)構(gòu)元直方圖的圖像檢索

針對目前的基元自相關(guān)圖在表達(dá)圖像顏色特征時空間相關(guān)性不強、基于單一特征檢索時精度低的問題，提出了一種改進的基元自相關(guān)圖和結(jié)構(gòu)元直方圖的圖像檢索方法。首先，將彩色圖像非均勻的量化為63種顏色，并且對圖像進行均勻分塊，同時采用子塊顏色代表值代替子塊內(nèi)每個像素點的顏色值；然后用定義的基元和結(jié)構(gòu)元分別統(tǒng)計每個子塊信息并提取圖像基元自相關(guān)圖和結(jié)構(gòu)元直方圖；最后綜合提取的兩個特征進行相似性度量。實驗結(jié)果表明，相較于以顏色自相關(guān)圖、基元自相關(guān)圖及基于結(jié)構(gòu)元的圖像檢索方法，該方法有效地提高了檢索的精準(zhǔn)率，改善了檢索結(jié)果的排序值，并具有很好的穩(wěn)定性。

發(fā)表于：9/13/2017

AMD拉著百度一起搞ROCm軟件平臺優(yōu)化，英偉達(dá)這下要肝顫了

AMD與百度合作優(yōu)化百度數(shù)據(jù)中心上的軟件，這將會縮小和英偉達(dá)的差距；AMD的這一舉措是積極的，因為它將加強AMD的開源ROC1.6軟件平臺；AMD已經(jīng)與百度聯(lián)手在百度的數(shù)據(jù)中心上針對其Radeon Instinct GPU優(yōu)化軟件。最終，AMD的開源ROC1.6軟件平臺將會更好地與英偉達(dá)的CUDA GPU計算軟件平臺競爭。

發(fā)表于：9/13/2017

機器人解決法律糾紛，人工智能怎么做到的？

“小崇”機器人，是由經(jīng)驗豐富的一線法官和專業(yè)信息技術(shù)公司共同參與，經(jīng)過半年多時間，以2800萬案例數(shù)據(jù)構(gòu)建的法律大數(shù)據(jù)平臺。

發(fā)表于：9/11/2017

語音助手成了黑客助手，設(shè)備能夠聽到超聲波？

設(shè)備安全問題確實不讓人省心，近日研究人員又發(fā)現(xiàn)了新漏洞，他們居然利用人耳聽不到的音頻劫持了語音助手。看來，Siri和Alexa等產(chǎn)品可不只是聽你的命令。

發(fā)表于：9/11/2017

華為全聯(lián)接大會正在召開，引入賽靈思FPGA的云服務(wù)器亮相

All Programmable 技術(shù)和器件的全球領(lǐng)先企業(yè)賽靈思公司今天在華為全聯(lián)接大會（HUAWEI CONNECT 2017）上宣布，華為首發(fā)的FP1實例選擇賽靈思高性能Virtex®UltraScale+? FPGA為其最新加速云服務(wù)提供強大動力。華為 FPGA 加速云服務(wù)器（FACS）平臺可支持其用戶在華為公有云上開發(fā)、部署和發(fā)布基于 FPGA 的新型服務(wù)和應(yīng)用。

發(fā)表于：9/10/2017

數(shù)字代幣驚魂24小時：超半數(shù)ICO平臺進入清退流程

央行等部門聯(lián)合發(fā)布的一份公告，讓數(shù)字代幣們經(jīng)歷了驚魂24小時。24小時過去了，90%的數(shù)字代幣們?nèi)蕴幱谙碌鵂顟B(tài)。

發(fā)表于：9/7/2017

DFT插值算法在鼓風(fēng)機故障模式識別中的應(yīng)用

提出一種離散頻譜估計新方法，該方法在傳統(tǒng)插值方法基礎(chǔ)上運用加零技術(shù)，能較快確定頻譜的小數(shù)部分。新方法提高了離散頻譜估計的速度與精度，并能被應(yīng)用于煤氣鼓風(fēng)機等旋轉(zhuǎn)機械的故障模式識別。實驗結(jié)果表明，新算法有效提高了煤氣鼓風(fēng)機故障模式識別的準(zhǔn)確度。此外，仿真研究顯示，該方法不僅在噪聲條件下的估計誤差較傳統(tǒng)算法低，而且能適用于除漢寧窗以外的其他經(jīng)典窗函數(shù)，具有較強的兼容性與魯棒性。

發(fā)表于：8/16/2017