免费看无码动漫AⅤ毛片,大学生美女网站黄是免费,91无码在线观看

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重，并且應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衡。與其他方法相比該方法評價結果更具準確性，具有較大的現(xiàn)實意義和應用前景。

發(fā)表于：12/16/2020

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]

針對深度學習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)絡基礎上，將卷積層變?yōu)殡p層非對稱卷積使網(wǎng)絡有更好的特征提取能力；通過批量歸一化提高網(wǎng)絡泛化能力；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；通過對訓練集進行增廣增加訓練樣本。實驗結果表明，改進LeNet-5網(wǎng)絡的訓練精度達到91%，識別形狀類似物體的精度為87%，且能在較少迭代次數(shù)內收斂，這些指標均顯著優(yōu)于原網(wǎng)絡。

發(fā)表于：12/16/2020

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

卷積神經(jīng)網(wǎng)絡(Convolutional neural network,CNN)具有非比尋常的從樣本中學習特征的能力，訓練需要大量帶有標簽的圖像樣本。因此，在使用卷積神經(jīng)網(wǎng)絡對地基云圖相關研究時，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處理；最后，利用卷積神經(jīng)網(wǎng)絡、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)的設計與實現(xiàn)[模擬設計][其他]

針對中文是非問句，設計并實現(xiàn)了基于Lucene的問答系統(tǒng)，主要包括問句預處理、索引創(chuàng)建和答案整理三部分。問句預處理部分，引入句法成分權重和命名實體權重改進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)多樣性帶來的復雜度。在答案整理部分，對查詢索引結果進行答案判決，輸出肯定或否定含義的答案。實驗結果表明，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

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

WiFi技術在定位跟蹤領域得到了迅速發(fā)展和應用，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，并在室內外兩種典型環(huán)境下進行單站目標跟蹤。實驗結果表明，相較于其他非線性濾波算法，BCKF能以較低計算開銷實現(xiàn)更準確的目標跟蹤，在室內外的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(CNN)的分類算法用于實現(xiàn)織物瑕疵檢測。網(wǎng)絡是在VGG16的基礎上進行減枝，通過優(yōu)化網(wǎng)絡參數(shù)實現(xiàn)最優(yōu)結果。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，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)絡訓練，既提高了網(wǎng)絡的分類準確率，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)每張圖片的輸出標簽和位置來實現(xiàn)大尺度圖片的瑕疵檢測。實驗結果表明，本文所提出的網(wǎng)絡結構相比于傳統(tǒng)的VGG16和LeNet網(wǎng)絡結構, 具有檢測速度快、檢測精度高等優(yōu)勢。

發(fā)表于：12/16/2020

人工智能基礎軟硬件架構的關鍵技術研究[人工智能][通信網(wǎng)絡]

針對當前人工智能技術在軍用領域的應用問題和難點，研究基于深度學習技術的軍用軟硬件架構設計方法，并且結合業(yè)內主流的軟硬件基礎架構，分析在軍事應用中涉及的關鍵技術和解決思路。通過對深度學習模型壓縮轉化、數(shù)據(jù)增強和分布式訓練等軟硬件架構的關鍵技術研究，設計構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

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模型結構，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)絡的參數(shù)以及預測的時間。實驗結果表明，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果更加準確。

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)絡回歸訓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(GANs)回歸三維參數(shù)化人臉模型(3DMM)的無監(jiān)督學習方式。首先利用GANs的對抗生成訓練使生成器回歸的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。實驗結果表明，該方法在重建結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，能夠較好應用于三維人臉重建任務。

發(fā)表于：12/16/2020

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

圖像拼接的基礎是將所有待拼接的圖像轉換到同一平面上，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，反映了圖像坐標點之間的一一對應關系。但當透視變換矩陣中參數(shù)精度較低時會導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。實驗結果顯示，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。

發(fā)表于：12/16/2020

智能化武器裝備標準體系框架研究[人工智能][安防電子]

近年來，隨著邊緣計算、深度學習等人工智能技術的迅速發(fā)展，基于人工智能技術的智能化武器裝備應用日趨廣泛，這對智能化武器裝備的標準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)狀進行分析與研究，基于智能化武器裝備標準現(xiàn)狀及發(fā)展需求建立了智能化武器裝備標準體系框架。同時，根據(jù)智能化武器裝備特點和智能化戰(zhàn)爭需求對未來的標準研制工作提出了建議。

發(fā)表于：12/16/2020

基于機器學習的RTS游戲實時勝率預測[其他][其他]

游戲勝負預測可用于自適應游戲AI的設計，策略層面強化學習的反饋參數(shù)等。使用SC2LE公開的數(shù)據(jù)集，首先通過游戲時間、MMR和AMP指標進行數(shù)據(jù)預處理，得到質量較高的數(shù)據(jù)集；然后使用pysc2解析，提取游戲數(shù)據(jù)；最后進行特征分析，得到基礎特征和統(tǒng)計特征，完成游戲特征數(shù)據(jù)集的構建。最終采用機器學習方法XGB分類模型,利用10次十折交叉驗證法進行模型評估與優(yōu)選。結果表明使用基礎特性與統(tǒng)計特性的組合，可以使得實時勝率預測準確率在不同匹配對局情況下均超過80%。

發(fā)表于：12/16/2020

基于機器學習的惡意軟件檢測研究進展及挑戰(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，結合機器學習技術是惡意軟件檢測發(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，總結基于機器學習的惡意軟件檢測一般流程，回顧了研究進展。通過使用Ember 2017和Ember 2018數(shù)據(jù)集，分析驗證了結構化特征相關方法，包括隨機森林(Random Forest，RF)、LightGBM、支持向量機(Support Vector Machine，SVM)、K-means以及卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network，CNN)等算法模型；使用收集的2019年樣本集分析驗證了序列化特征相關方法，包括幾種常見的深度學習算法模型。計算模型以在不同測試集上的準確率、精確率、召回率以及F1-值作為評估指標。根據(jù)實驗結果分析討論了各類方法的優(yōu)缺點，著重驗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)化的改進極限學習機及應用[其他][其他]

主要研究的是神經(jīng)網(wǎng)絡的一種新型訓練方式——極限學習機算法的優(yōu)化和改進。首先通過與傳統(tǒng)的神經(jīng)網(wǎng)絡算法的對比，介紹極限學習機算法的主要思想和流程，展現(xiàn)其特點及優(yōu)勢；其次，由于常規(guī)極限學習機在預測的精度上及運用的穩(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)缺點比較，引出該文的重點量子遺傳算法，并利用此算法去優(yōu)化極限學習機的連接權值和閾值，選取最優(yōu)的權值和閾值賦予測試網(wǎng)絡，達到良好的使用效果；最后，介紹了改進極限學習機算法在MATLAB上進行實驗仿真及結果分析的步驟與流程，實驗結果說明改進后的算法相比于經(jīng)典算法在回歸問題的預測上有優(yōu)勢，預測精度更高，且結果更穩(wěn)定；在分類問題的處理上，準確性也具有壓倒性優(yōu)勢。

發(fā)表于：12/16/2020