123,123,123

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(dòng)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：2020/12/16 16:15:00

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(dòng)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：2020/12/16 16:13:05

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：2020/12/16 16:07:00

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：2020/12/16 16:05:58

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：2020/12/16 16:00:10

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：2020/12/16 15:58:00

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：2020/12/16 15:54:57

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：2020/12/16 15:53:13

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(dòng)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：2020/12/16 15:49:27

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：2020/12/16 15:47:38