国产在线/欧美日本,欧美高清一级片,久久av无码av高潮av喷吹捆绑

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 4:05:58 PM

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 4:00:10 PM

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平面到另一個平面的投影變換，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 3:58:00 PM

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 3:54:57 PM

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 3:53:13 PM

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 3:49:27 PM

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 3:47:38 PM

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)練了一個各向異性特征模型，然后利用該特征模型構(gòu)建一個局部的結(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 3:41:00 PM

火電工控系統(tǒng)網(wǎng)絡(luò)安全防護(hù)方案設(shè)計(jì)[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對火電工控系統(tǒng)的網(wǎng)絡(luò)安全問題進(jìn)行了研究，對當(dāng)前火電工控系統(tǒng)的網(wǎng)絡(luò)架構(gòu)、安全挑戰(zhàn)、防護(hù)現(xiàn)狀、風(fēng)險(xiǎn)來源等網(wǎng)絡(luò)安全問題進(jìn)行了分析總結(jié)，按照電力系統(tǒng)的安全防護(hù)總體原則及相關(guān)標(biāo)準(zhǔn)規(guī)范，針對電力生產(chǎn)網(wǎng)絡(luò)的特點(diǎn)及安全要求，提出了以數(shù)據(jù)探針為組成單元的能夠覆蓋電廠工控網(wǎng)絡(luò)各個層級并配置監(jiān)測中心的安全防護(hù)架構(gòu)，能夠?qū)Χ喾N工控協(xié)議進(jìn)行深度解析，對已知和未知危險(xiǎn)流量進(jìn)行識別和學(xué)習(xí)，并將宏觀網(wǎng)絡(luò)態(tài)勢以可視化的方式展示出來，實(shí)現(xiàn)了對電廠工控系統(tǒng)多層次、立體化、智能化的安全防護(hù)，能夠深度有效的保護(hù)電廠生產(chǎn)網(wǎng)絡(luò)系統(tǒng)。

發(fā)表于：12/16/2020 3:34:45 PM

一種用于微電網(wǎng)經(jīng)濟(jì)調(diào)度的分布式粒子群算法[模擬設(shè)計(jì)][智能電網(wǎng)]

隨著微電網(wǎng)技術(shù)在電力系統(tǒng)中的應(yīng)用愈加廣泛，協(xié)調(diào)微電網(wǎng)內(nèi)部分布式電源的出力分配以提高經(jīng)濟(jì)性成為了研究的重要課題。目前主流的經(jīng)濟(jì)調(diào)度方法是微電網(wǎng)調(diào)度中心利用全網(wǎng)微電源及負(fù)荷的信息進(jìn)行調(diào)度，但這種集中式的方法依賴調(diào)度中心的計(jì)算能力，對微電源與調(diào)度中心之間通信要求較高，且與微電網(wǎng)的分布式特性相違背。提出一種完全分布式的并行調(diào)度方法，各分布式電源作為獨(dú)立的智能體，平等地參與調(diào)度工作，利用自身與鄰居節(jié)點(diǎn)之間的勢能博弈，基于粒子群算法優(yōu)化自身的出力，進(jìn)而實(shí)現(xiàn)全網(wǎng)經(jīng)濟(jì)性最優(yōu)的目標(biāo)。在MATLAB平臺上搭建了獨(dú)立微電網(wǎng)優(yōu)化調(diào)度模型，驗(yàn)證了所提出方法的可行性，并討論了相關(guān)參數(shù)的變化對于調(diào)度結(jié)果的影響。

發(fā)表于：12/16/2020 1:36:00 PM