人工智能相关文章

飞机舵机电液伺服系统智能PID控制方法研究

针对飞机舵机电液伺服系统中PID控制器参数难以整定的问题，引入一种智能PID控制方法。该方法结合了粒子群算法和PID控制器的优点，并利用蜂群算法的选择策略对粒子群算法进行优化，适应了飞机舵机电液伺服系统非线性动态控制环境的要求。实验结果表明，飞机舵机电液伺服系统智能PID控制方法能够达到系统控制性能指标要求，相较于传统PID控制器具有更良好的跟踪效果。

发表于：12/16/2020

基于卷积神经网络的织物瑕疵检测方法研究

织物瑕疵检测是控制织物产品质量的重要步骤，传统的织物瑕疵检测方法检测效率低，劳动强度大。因此，针对传统检测方法存在的问题，提出一种基于卷积神经网络(CNN)的分类算法用于实现织物瑕疵检测。网络是在VGG16的基础上进行减枝，通过优化网络参数实现最优结果。首先，由于织物瑕疵大小差别较大，提出将瑕疵边缘作为检测的目标，这样就可以将大尺度图片分割为64×64的小尺度图片用于网络训练，既提高了网络的分类准确率，又解决了织物瑕疵图像搜集困难的问题。其次，在测试过程中，提出对大尺度图片进行有重叠的分割，然后对分割后的图片进行分类，根据每张图片的输出标签和位置来实现大尺度图片的瑕疵检测。实验结果表明，本文所提出的网络结构相比于传统的VGG16和LeNet网络结构, 具有检测速度快、检测精度高等优势。

发表于：12/16/2020

人工智能基础软硬件架构的关键技术研究

针对当前人工智能技术在军用领域的应用问题和难点，研究基于深度学习技术的军用软硬件架构设计方法，并且结合业内主流的软硬件基础架构，分析在军事应用中涉及的关键技术和解决思路。通过对深度学习模型压缩转化、数据增强和分布式训练等软硬件架构的关键技术研究，设计构建了一站式人工智能开发平台、嵌入式边缘智能计算平台，对军用人工智能提供端到端的训练、部署和测试支撑。该研究可为未来智能无人作战系统提供软硬协同的智能计算解决方案。

发表于：12/16/2020

基于改进P-Unet模型的岩屑颗粒识别

提出了一种基于改进P-Unet模型的岩屑颗粒识别方法。该方法基于Unet模型结构，运用金字塔池化模块聚合不同区域的上下文特征信息，以充分利用全局信息。改进P-Unet模型采用了残差网络ResNeXt101，在提高岩屑颗粒识别准确率前提下，减少了超参数数量。该模型采用了焦点损失函数，在一定程度上解决岩屑颗粒类别不平衡的问题，同时运用深度可分离卷积代替传统卷积，较大程度减少了网络的参数以及预测的时间。实验结果表明，改进P-Unet模型得到的识别准确率对比同类先进算法有一定的提升，对岩屑颗粒识别的结果更加准确。

发表于：12/16/2020

基于GANs无监督回归三维参数化人脸模型

针对神经网络回归训练过程中三维人脸数据稀缺的问题，提出了基于生成对抗网络(GANs)回归三维参数化人脸模型(3DMM)的无监督学习方式。首先利用GANs的对抗生成训练使生成器回归的3DMM参数符合真实感人脸形状的参数分布。随后将生成的三维人脸网格渲染成二维图片，利用身份编码器对输入人脸及渲染人脸分别提取身份特征向量，通过不断缩小向量之间的距离使得生成的三维人脸网格靠近输入人脸的身份特征。实验结果表明，该方法在重建结果顶点位置准确性上相对于现有的方法有明显的提升，且拥有较好的RMSE值，能够较好应用于三维人脸重建任务。

发表于：12/16/2020

智能化武器装备标准体系框架研究

近年来，随着边缘计算、深度学习等人工智能技术的迅速发展，基于人工智能技术的智能化武器装备应用日趋广泛，这对智能化武器装备的标准化工作提出了更高的要求。针对智能化武器装备发展现状进行分析与研究，基于智能化武器装备标准现状及发展需求建立了智能化武器装备标准体系框架。同时，根据智能化武器装备特点和智能化战争需求对未来的标准研制工作提出了建议。

发表于：12/16/2020

基于机器学习的恶意软件检测研究进展及挑战

由于恶意软件的数量日渐庞大，攻击手段不断更新，结合机器学习技术是恶意软件检测发展的一个新方向。先简要介绍恶意软件检测中的静态检测方法以及动态检测方法，总结基于机器学习的恶意软件检测一般流程，回顾了研究进展。通过使用Ember 2017和Ember 2018数据集，分析验证了结构化特征相关方法，包括随机森林(Random Forest，RF)、LightGBM、支持向量机(Support Vector Machine，SVM)、K-means以及卷积神经网络(Convolutional Neural Network，CNN)等算法模型；使用收集的2019年样本集分析验证了序列化特征相关方法，包括几种常见的深度学习算法模型。计算模型以在不同测试集上的准确率、精确率、召回率以及F1-值作为评估指标。根据实验结果分析讨论了各类方法的优缺点，着重验证分析了树模型的泛化能力，表明随着样本的不断演变，模型普遍存在退化问题，并指出进一步研究方向。

发表于：12/16/2020

全球工业机器人市场复合年增长率达14.21%

　　印度浦那 2020 年 12 月 15 日 / 美通社 / -- 　　预期新冠病毒 （COVID-19） 疫情将对全球工业机器人市场产生积极影响。多个行业正越来越多地通过使用机器人来实现制造和相关过程的自动化。政府机构制定的封锁措施造成了劳动力短缺，这加速了机器人在食品和饮料、汽车、制造业和制药等行业的应用。

发表于：12/16/2020

5G机器人 + 无人机，开启电力巡检新时代

　　智能巡检，应运而生 　　随着电网行业智能化转型的深入推进，电力系统的运行状态监测、检测体系正在逐步实现智能化。

发表于：12/16/2020

传百度与吉利等数家车企初步接洽，商谈组建电动汽车合资企业

　　与非网 12 月 16 日讯，近日，有消息称，百度与包括吉利汽车在内数家车企进行初步接洽，商谈组建电动汽车合资企业事宜。针对此消息，百度回应称：对市场传闻不作评论。

发表于：12/16/2020

第二届TE Connectivity AI CUP竞赛圆满落幕

中国上海 -- 2020年12月15日 – 近日，由泰科电子（TE Connectivity，以下简称“TE”）主办的第二届AI CUP 2019-2020竞赛历时一年顺利收官。三支高校队伍从全球三个赛区脱颖而出：中国苏州大学FeHulu团队，中国华南理工大学BIPLAB团队和美国普渡大学Indubitables团队分别荣获冠亚季军。自2018年起，TE就发起了该竞赛，为高校学子提供探索人工智能技术及应用的平台。今年赛事的范围更是从亚洲扩展到了全球。学生们在尝试人工智能技术与工业制造融合应用的同时，通过国际间的技术交流拓宽视野，充实个人经历，为未来职场做好储备。

发表于：12/16/2020

基于CNN-LightGBM模型的高速公路交通量预测

有效的交通流量预测对人们出行和交管部门监管都有着重要的意义。传统的交通量预测模型主要基于交通流的时间特性，未结合交通流的时间和空间特性进行深入挖掘，因此预测效果有时不佳。提出了一种基于CNN与LightGBM结合的交通流预测模型，首先利用CNN模型挖掘出高速公路相邻路段监测点和出入口的时间和空间关联性，实现对交通流数据的时空特征提取，然后将CNN提取到的特征向量输入到LightGBM模型中进行预测。为了验证模型的有效性，实验中使用了多种预测模型进行对比，实验结果表明，所提出的考虑到时空特性的CNNLightGBM组合的模型可以明显降低预测误差，是一种有效快速的交通流预测模型。

发表于：12/15/2020

基于方面情感的层次化双注意力网络

基于深度学习的方面级情感分析，结合注意力机制的神经网络模型取得较好的分类效果，但常用方法仅考虑单一层面注意力机制，且无法获取句子间依赖关系。设计了一种层次化的双注意力神经网络模型用于方面级情感分析，针对特定方面引入方面目标的注意力机制以及文本上下文自注意力机制，获取方面特征信息和句子的全局依赖信息；设计层次化GRU网络，其中单词层嵌入特定方面信息，获取针对方面目标的句子内部特征信息，句子层网络通过双注意力机制和词语层的输入，获取句子间的特征依赖信息，从而实现深层次的方面情感分类。在SemEval 2014两个数据集和Twitter数据集上进行对比实验，验证了该方法的有效性，针对方面级情感，分类准确率均得到了有效提升。

发表于：12/15/2020

基于疲劳驾驶的人眼定位方法研究

人眼定位是疲劳驾驶的研究关键。由粗到精，先后进行了人脸检测、瞳孔定位。针对现有方向梯度直方图人脸检测算法泛化能力不佳的问题，提出了一种基于信息熵加权的HOG特征提取算法，该算法将待分类的人脸特征进行信息熵阈值加权，形成新的HOG特征，然后通过支持向量机进行分类；针对现有瞳孔定位算法准确率不高的问题，提出了多算法协同工作的瞳孔定位方法，以自商图为基准寻找二值分割点，实现了眼部区域光照不变性，以灰度积分投影为依据实现了瞳孔精确定位。实验结果表明，该文提出的人脸检测算法在CelebA验证数据集准确率可达到98.26%，较传统识别方法有更高的准确率；而瞳孔定位算法也可达到令人满意的精确度，提高了瞳孔定位的准确性。

发表于：12/15/2020

基于双流卷积神经网络和生成式对抗网络的行人重识别算法

近年来，针对行人重识别问题的深度学习技术研究取得了很大的进展。然而，在解决实际数据的特征样本不平衡问题时，效果仍然不理想。为了解决这一问题，设计了一个更有效的模型，该模型很好地解决了目标的不同姿态的干扰以及数据集中的图片数量不足的问题。首先，通过迁移姿态生成对抗网络生成行人不同姿势的图片，解决姿态干扰及图片数量不足的问题。然后利用两种不同的独立卷积神经网络提取图像特征，并将其结合得到综合特征。最后，利用提取的特征完成行人重识别。采用姿势转换方法对数据集进行扩展，有效地克服了由目标不同姿势引起的识别误差，识别错误率降低了6%。实验结果表明，该模型在Market-1501和DukeMTMC-Reid上达到了更好的识别准确度。在DukeMTMC-Reid数据集上测试时，Rank-1准确度增加到92.10%，mAP 达到84.60%。

发表于：12/15/2020