最好看的中文在线观看,美女自慰网站

基于改進(jìn)LeNet-5的形狀類似物體識別方法[人工智能][工業(yè)自動化]

針對深度學(xué)習(xí)在對外形類似物體的識別上存在著識別精度低、耗時(shí)長等問題，提出基于改進(jìn)的LeNet-5的識別方法。在傳統(tǒng)LeNet-5網(wǎng)絡(luò)基礎(chǔ)上，將卷積層變?yōu)殡p層非對稱卷積使網(wǎng)絡(luò)有更好的特征提取能力；通過批量歸一化提高網(wǎng)絡(luò)泛化能力；采用全局平均池化替代原Flatten層，用于克服傳統(tǒng)全連接層參數(shù)多、耗時(shí)長的缺點(diǎn)；通過對訓(xùn)練集進(jìn)行增廣增加訓(xùn)練樣本。實(shí)驗(yàn)結(jié)果表明，改進(jìn)LeNet-5網(wǎng)絡(luò)的訓(xùn)練精度達(dá)到91%，識別形狀類似物體的精度為87%，且能在較少迭代次數(shù)內(nèi)收斂，這些指標(biāo)均顯著優(yōu)于原網(wǎng)絡(luò)。

發(fā)表于：12/16/2020

卷積神經(jīng)網(wǎng)絡(luò)識別地基云圖的數(shù)據(jù)庫建立及處理方法[其他][其他]

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)具有非比尋常的從樣本中學(xué)習(xí)特征的能力，訓(xùn)練需要大量帶有標(biāo)簽的圖像樣本。因此，在使用卷積神經(jīng)網(wǎng)絡(luò)對地基云圖相關(guān)研究時(shí)，建立云圖樣本庫是第一步，也是非常重要的一步。首先，通過數(shù)碼相機(jī)直接拍攝、從互聯(lián)網(wǎng)上下載、從公開發(fā)行的云圖類書籍獲取以及由全天空照相機(jī)拍攝等手段獲取三個(gè)云圖樣本庫；接著，對三個(gè)樣本庫圖像的分辨率、噪聲、數(shù)量等問題進(jìn)行了分析；然后，采用雙線性插值和數(shù)據(jù)增強(qiáng)方法對樣本庫進(jìn)行歸一化預(yù)處理；最后，利用卷積神經(jīng)網(wǎng)絡(luò)、LBP、Heinle feature和Textonbased method三種方法對增強(qiáng)后的數(shù)據(jù)集進(jìn)行云識別分類驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，利用本文方法進(jìn)行增強(qiáng)數(shù)據(jù)可有效解決卷積神經(jīng)網(wǎng)絡(luò)對小樣本數(shù)據(jù)識別率不高

發(fā)表于：12/16/2020

基于Lucene的中文是非問答系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[模擬設(shè)計(jì)][其他]

針對中文是非問句，設(shè)計(jì)并實(shí)現(xiàn)了基于Lucene的問答系統(tǒng)，主要包括問句預(yù)處理、索引創(chuàng)建和答案整理三部分。問句預(yù)處理部分，引入句法成分權(quán)重和命名實(shí)體權(quán)重改進(jìn)TextRank算法，得到一種提取問句核心詞的方法。在索引創(chuàng)建部分，針對本地的多源數(shù)據(jù)進(jìn)行文檔融合創(chuàng)建索引，降低數(shù)據(jù)多樣性帶來的復(fù)雜度。在答案整理部分，對查詢索引結(jié)果進(jìn)行答案判決，輸出肯定或否定含義的答案。實(shí)驗(yàn)結(jié)果表明，數(shù)據(jù)融合能有效減少索引創(chuàng)建耗時(shí)，改進(jìn)TextRank的核心詞提取方法準(zhǔn)確率明顯高于TextRank，系統(tǒng)具有較為不錯(cuò)的性能。

發(fā)表于：12/16/2020

基于FTM和CSI的單站目標(biāo)跟蹤研究[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

WiFi技術(shù)在定位跟蹤領(lǐng)域得到了迅速發(fā)展和應(yīng)用，不僅可以通過精細(xì)時(shí)間測量(FTM)協(xié)議獲得到達(dá)時(shí)間，還能利用信道狀態(tài)信息(CSI)估計(jì)到達(dá)角，為單站目標(biāo)跟蹤提供了十分有利的條件。針對單站情況下到達(dá)時(shí)間和到達(dá)角的非線性跟蹤問題，提出了一種簡單有效的偏差補(bǔ)償卡爾曼濾波算法(BCKF)。該算法對非線性觀測方程進(jìn)行偽線性化，然后補(bǔ)償由偽線性化引起的估計(jì)偏差，實(shí)現(xiàn)更準(zhǔn)確的狀態(tài)估計(jì)。搭建WiFi測量平臺，并在室內(nèi)外兩種典型環(huán)境下進(jìn)行單站目標(biāo)跟蹤。實(shí)驗(yàn)結(jié)果表明，相較于其他非線性濾波算法，BCKF能以較低計(jì)算開銷實(shí)現(xiàn)更準(zhǔn)確的目標(biāo)跟蹤，在室內(nèi)外的80%跟蹤誤差分別不超過3.7 m和1.5 m。

發(fā)表于：12/16/2020

飛機(jī)舵機(jī)電液伺服系統(tǒng)智能PID控制方法研究[人工智能][智能交通]

針對飛機(jī)舵機(jī)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(diǎn)，并利用蜂群算法的選擇策略對粒子群算法進(jìn)行優(yōu)化，適應(yīng)了飛機(jī)舵機(jī)電液伺服系統(tǒng)非線性動態(tài)控制環(huán)境的要求。實(shí)驗(yàn)結(jié)果表明，飛機(jī)舵機(jī)電液伺服系統(tǒng)智能PID控制方法能夠達(dá)到系統(tǒng)控制性能指標(biāo)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[人工智能][其他]

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(qiáng)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(shí)現(xiàn)織物瑕疵檢測。網(wǎng)絡(luò)是在VGG16的基礎(chǔ)上進(jìn)行減枝，通過優(yōu)化網(wǎng)絡(luò)參數(shù)實(shí)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(biāo)，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(xùn)練，既提高了網(wǎng)絡(luò)的分類準(zhǔn)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(jìn)行有重疊的分割，然后對分割后的圖片進(jìn)行分類，根據(jù)每張圖片的輸出標(biāo)簽和位置來實(shí)現(xiàn)大尺度圖片的瑕疵檢測。實(shí)驗(yàn)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[人工智能][通信網(wǎng)絡(luò)]

針對當(dāng)前人工智能技術(shù)在軍用領(lǐng)域的應(yīng)用問題和難點(diǎn)，研究基于深度學(xué)習(xí)技術(shù)的軍用軟硬件架構(gòu)設(shè)計(jì)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(xué)習(xí)模型壓縮轉(zhuǎn)化、數(shù)據(jù)增強(qiáng)和分布式訓(xùn)練等軟硬件架構(gòu)的關(guān)鍵技術(shù)研究，設(shè)計(jì)構(gòu)建了一站式人工智能開發(fā)平臺、嵌入式邊緣智能計(jì)算平臺，對軍用人工智能提供端到端的訓(xùn)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(jì)算解決方案。

發(fā)表于：12/16/2020

基于改進(jìn)P-Unet模型的巖屑顆粒識別[人工智能][其他]

提出了一種基于改進(jìn)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(yùn)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(jìn)P-Unet模型采用了殘差網(wǎng)絡(luò)ResNeXt101，在提高巖屑顆粒識別準(zhǔn)確率前提下，減少了超參數(shù)數(shù)量。該模型采用了焦點(diǎn)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(shí)運(yùn)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(shí)間。實(shí)驗(yàn)結(jié)果表明，改進(jìn)P-Unet模型得到的識別準(zhǔn)確率對比同類先進(jìn)算法有一定的提升，對巖屑顆粒識別的結(jié)果更加準(zhǔn)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[人工智能][其他]

針對神經(jīng)網(wǎng)絡(luò)回歸訓(xùn)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(xué)習(xí)方式。首先利用GANs的對抗生成訓(xùn)練使生成器回歸的3DMM參數(shù)符合真實(shí)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(shí)驗(yàn)結(jié)果表明，該方法在重建結(jié)果頂點(diǎn)位置準(zhǔn)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

基于二倍體顯性機(jī)制的透視變換矩陣參數(shù)優(yōu)化[其他][其他]

圖像拼接的基礎(chǔ)是將所有待拼接的圖像轉(zhuǎn)換到同一平面上，而透視變換矩陣描述的就是一個(gè)平面到另一個(gè)平面的投影變換，反映了圖像坐標(biāo)點(diǎn)之間的一一對應(yīng)關(guān)系。但當(dāng)透視變換矩陣中參數(shù)精度較低時(shí)會導(dǎo)致圖像拼接效果不佳，拼接過程中會出現(xiàn)公共區(qū)域無法對接、有鬼影等現(xiàn)象。提出了一種基于二倍體顯性機(jī)制的DNA遺傳算法(AO方法)的矩陣參數(shù)優(yōu)化方案，AO方法在優(yōu)化效率上能以較快的速度和較高的精度搜索到問題的全局最優(yōu)解，從而提高透視變換矩陣參數(shù)的精度。實(shí)驗(yàn)結(jié)果顯示，所提出的方法能夠較好地優(yōu)化矩陣參數(shù)，符合期望目標(biāo)。

發(fā)表于：12/16/2020

智能化武器裝備標(biāo)準(zhǔn)體系框架研究[人工智能][安防電子]

近年來，隨著邊緣計(jì)算、深度學(xué)習(xí)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(biāo)準(zhǔn)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(jìn)行分析與研究，基于智能化武器裝備標(biāo)準(zhǔn)現(xiàn)狀及發(fā)展需求建立了智能化武器裝備標(biāo)準(zhǔn)體系框架。同時(shí)，根據(jù)智能化武器裝備特點(diǎn)和智能化戰(zhàn)爭需求對未來的標(biāo)準(zhǔn)研制工作提出了建議。

發(fā)表于：12/16/2020

基于機(jī)器學(xué)習(xí)的RTS游戲?qū)崟r(shí)勝率預(yù)測[其他][其他]

游戲勝負(fù)預(yù)測可用于自適應(yīng)游戲AI的設(shè)計(jì)，策略層面強(qiáng)化學(xué)習(xí)的反饋參數(shù)等。使用SC2LE公開的數(shù)據(jù)集，首先通過游戲時(shí)間、MMR和AMP指標(biāo)進(jìn)行數(shù)據(jù)預(yù)處理，得到質(zhì)量較高的數(shù)據(jù)集；然后使用pysc2解析，提取游戲數(shù)據(jù)；最后進(jìn)行特征分析，得到基礎(chǔ)特征和統(tǒng)計(jì)特征，完成游戲特征數(shù)據(jù)集的構(gòu)建。最終采用機(jī)器學(xué)習(xí)方法XGB分類模型,利用10次十折交叉驗(yàn)證法進(jìn)行模型評估與優(yōu)選。結(jié)果表明使用基礎(chǔ)特性與統(tǒng)計(jì)特性的組合，可以使得實(shí)時(shí)勝率預(yù)測準(zhǔn)確率在不同匹配對局情況下均超過80%。

發(fā)表于：12/16/2020

基于機(jī)器學(xué)習(xí)的惡意軟件檢測研究進(jìn)展及挑戰(zhàn)[人工智能][其他]

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(jī)器學(xué)習(xí)技術(shù)是惡意軟件檢測發(fā)展的一個(gè)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(jī)器學(xué)習(xí)的惡意軟件檢測一般流程，回顧了研究進(jìn)展。通過使用Ember 2017和Ember 2018數(shù)據(jù)集，分析驗(yàn)證了結(jié)構(gòu)化特征相關(guān)方法，包括隨機(jī)森林(Random Forest，RF)、LightGBM、支持向量機(jī)(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(yàn)證了序列化特征相關(guān)方法，包括幾種常見的深度學(xué)習(xí)算法模型。計(jì)算模型以在不同測試集上的準(zhǔn)確率、精確率、召回率以及F1-值作為評估指標(biāo)。根據(jù)實(shí)驗(yàn)結(jié)果分析討論了各類方法的優(yōu)缺點(diǎn)，著重驗(yàn)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(jìn)一步研究方向。

發(fā)表于：12/16/2020

基于量子遺傳優(yōu)化的改進(jìn)極限學(xué)習(xí)機(jī)及應(yīng)用[其他][其他]

主要研究的是神經(jīng)網(wǎng)絡(luò)的一種新型訓(xùn)練方式——極限學(xué)習(xí)機(jī)算法的優(yōu)化和改進(jìn)。首先通過與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法的對比，介紹極限學(xué)習(xí)機(jī)算法的主要思想和流程，展現(xiàn)其特點(diǎn)及優(yōu)勢；其次，由于常規(guī)極限學(xué)習(xí)機(jī)在預(yù)測的精度上及運(yùn)用的穩(wěn)定上存在不小的缺陷，通過闡述幾個(gè)智能尋優(yōu)算法及優(yōu)缺點(diǎn)比較，引出該文的重點(diǎn)量子遺傳算法，并利用此算法去優(yōu)化極限學(xué)習(xí)機(jī)的連接權(quán)值和閾值，選取最優(yōu)的權(quán)值和閾值賦予測試網(wǎng)絡(luò)，達(dá)到良好的使用效果；最后，介紹了改進(jìn)極限學(xué)習(xí)機(jī)算法在MATLAB上進(jìn)行實(shí)驗(yàn)仿真及結(jié)果分析的步驟與流程，實(shí)驗(yàn)結(jié)果說明改進(jìn)后的算法相比于經(jīng)典算法在回歸問題的預(yù)測上有優(yōu)勢，預(yù)測精度更高，且結(jié)果更穩(wěn)定；在分類問題的處理上，準(zhǔn)確性也具有壓倒性優(yōu)勢。

發(fā)表于：12/16/2020

基于稀疏編碼和各向異性濾波的超分辨率重建[其他][其他]

針對基于非局部稀疏自相似性的超分辨率重建方法存在的圖像邊緣保持性能不佳的問題，提出了一種基于稀疏編碼和各向異性濾波的超分辨率重建算法。該算法利用卷積神經(jīng)網(wǎng)絡(luò)和各向異性引導(dǎo)濾波訓(xùn)練了一個(gè)各向異性特征模型，然后利用該特征模型構(gòu)建一個(gè)局部的結(jié)構(gòu)先驗(yàn)，以和非局部稀疏先驗(yàn)形成互補(bǔ)，從而提高算法的邊緣保持能力。該算法訓(xùn)練后的模式使用通用測試集進(jìn)行測試，測試結(jié)果表明算法SR性能較好，能很好地保持邊緣細(xì)節(jié)，提供視覺效果更好的圖像。

發(fā)表于：12/16/2020