www国产精品,精品久久久久中文字

基于AHP的威脅情報網(wǎng)站價值評估方法[其他][其他]

威脅情報的采集是情報搜集工作中至關(guān)重要的一個環(huán)節(jié)，威脅情報網(wǎng)站是其重要載體。首先確定了威脅情報的價值特性，然后討論了利用層次分析法確定諸多模糊聚類因子的權(quán)重，并且應(yīng)用模糊綜合評價方法建立了模糊綜合評價方法的兩級模型，從而得到對威脅情報網(wǎng)站的客觀評估，方便用戶在搜集信息時進行權(quán)衡。與其他方法相比該方法評價結(jié)果更具準確性，具有較大的現(xiàn)實意義和應(yīng)用前景。

發(fā)表于：12/16/2020 4:33:20 PM

基于改進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、耗時長等問題，提出基于改進的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、耗時長的缺點；通過對訓(xùn)練集進行增廣增加訓(xùn)練樣本。實驗結(jié)果表明，改進LeNet-5網(wǎng)絡(luò)的訓(xùn)練精度達到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 4:31:44 PM

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，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拍攝等手段獲取三個云圖樣本庫；接著，對三個樣本庫圖像的分辨率、噪聲、數(shù)量等問題進行了分析；然后，采用雙線性插值和數(shù)據(jù)增強方法對樣本庫進行歸一化預(yù)處理；最后，利用卷積神經(jīng)網(wǎng)絡(luò)、LBP、Heinle feature和Textonbased method三種方法對增強后的數(shù)據(jù)集進行云識別分類驗證，實驗結(jié)果表明，利用本文方法進行增強數(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 4:28:00 PM

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

針對中文是非問句，設(shè)計并實現(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)重和命名實體權(quán)重改進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)果進行答案判決，輸出肯定或否定含義的答案。實驗結(jié)果表明，數(shù)據(jù)融合能有效減少索引創(chuàng)建耗時，改進TextRank的核心詞提取方法準確率明顯高于TextRank，系統(tǒng)具有較為不錯的性能。

發(fā)表于：12/16/2020 4:27:46 PM

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，不僅可以通過精細時間測量(FTM)協(xié)議獲得到達時間，還能利用信道狀態(tài)信息(CSI)估計到達角，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時間和到達角的非線性跟蹤問題，提出了一種簡單有效的偏差補償卡爾曼濾波算法(BCKF)。該算法對非線性觀測方程進行偽線性化，然后補償由偽線性化引起的估計偏差，實現(xiàn)更準確的狀態(tài)估計。搭建WiFi測量平臺，并在室內(nèi)外兩種典型環(huán)境下進行單站目標(biāo)跟蹤。實驗結(jié)果表明，相較于其他非線性濾波算法，BCKF能以較低計算開銷實現(xiàn)更準確的目標(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 4:21:39 PM

飛機舵機電液伺服系統(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(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 4:15:00 PM

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(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(biāo)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 4:13:05 PM

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，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(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)同的智能計算解決方案。

發(fā)表于：12/16/2020 4:07:00 PM

基于改進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 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 4:00:10 PM