人工智能在医学影像中的应用

阐述“人工智能+医学影像”的含义,介绍人工智能技术在疾病筛查、辅助治疗、病理分析中的主要应用,指出现阶段人工智能在医学影像应用中面临的主要问题,展望人工智能助力智能医疗的发展前景。

非独立同分布工业大数据下联邦动态加权学习方法

联邦学习在不交换本地数据的情况下可以完成多方协作训练,很好地解决了工业物联网领域数据隐私保护及共享问题。但是传统的联邦学习在面对非独立同分布的工业数据时,会因为局部模型更新导致模型的偏移。针对上述问题,提出非独立同分布工业大数据下联邦动态加权学习方法,该方法分为局部更新和全局聚合两个阶段。在局部更新阶段,利用联邦距离算法消除偏移程度过大的局部模型的影响;在全局聚合阶段,提出动态加权算法,动态的给对全局模型更有利的局部数据分配更大的训练权重。该方法既考虑了局部更新导致的模型偏移程度问题,又兼顾了偏移局部模型对全局模型的影响。通过实验验证了该方法在面对非独立同分布的工业数据时具有良好的效果。

人工智能时代的伦理道德思考

人工智能给人们的生活带来极大便利的同时,也引发了一系列伦理道德问题。文章首先介绍国内外人工智能伦理道德研究现状,其次讨论人工智能带来的道德伦理问题及对策研究,最后提出解决思路,从而使人工智能发展为可控制的科学。

基于联邦增量学习的工业物联网数据共享方法

针对工业物联网(IIOT)新增数据量大、工厂子端数据量不均衡的问题,提出了一种基于联邦增量学习的IIOT数据共享方法(FIL-IIOT)。首先,将行业联合模型下发到工厂子端作为本地初始模型;然后,提出联邦优选子端算法来动态调整参与子集;最后,通过联邦增量学习算法计算出工厂子端的增量加权,从而使新增状态数据与原行业联合模型快速融合。实验结果表明,在美国凯斯西储大学(CWRU)轴承故障数据集上,所提FIL-IIOT使轴承故障诊断精度达到93.15%,比联邦均值(FedAvg)算法和无增量公式的FIL-IIOT(FIL-IIOT-NI)方法分别提高了6.18个百分点和2.59个百分点,满足了基于工业增量数据的行业联合模型持续优化的需求。

大数据时代的智能医学工程专业建设

国内目前的智慧医疗市场难以满足人们的需求,对传统医疗领域提出了新的要求,智能医学工程专业是满足国家发展规划的新兴交叉学科,立足于大数据、机器学习和医学,发展数据医疗产业,促进传统医学领域的发展,可培育综合性人才。

基于双层链的个人隐私数据保护和授权框架

针对隐私泄露事件频繁发生且当前的保护方法无法避免恶意收集和恶意攻击的问题,提出了基于双层链的个人隐私数据保护和授权框架。该框架由验证链和授权链构成,通过跨链技术进行通信,不需要用户向服务商提供隐私数据就能获得服务。验证层负责验证数据并生成数据证明,授权层负责用户的授权,避免服务商得到用户隐私数据。此外,提出了基于顺序选举的RAFT改进算法和代理受益证明算法,分别应用在验证层和授权层,从而提高了共识速度和数据处理速度,解决了在没有激励机制的情况下如何维护公有链的问题。实验结果表明,所提框架保证了数据的真实性、安全性和可扩展性,平衡了隐私性和可追溯性。

面向抓取检测的位姿估计数据集自动采集标注系统

机器人抓取在物流分拣、自动装配和医疗手术等领域中具有广泛的应用.抓取检测是机器人抓取中的重要步骤之一,随着三维传感器的成本逐渐降低,抓取检测任务中越来越多地使用深度相机采集彩色图像和深度图像对(RGB-D),并采用基于位姿估计的方法实现机器人抓取.然而,目前已经公开的基于RGB-D图像的位姿估计数据集,大多需要借助价格昂贵的三维激光扫描仪获得目标物体的三维模型,而且标注过程依赖人工操作,费时费力,不利于大规模数据集的制作.为此,本文设计并实现了一个面向位姿估计的数据集自动采集标注系统.该系统无需使用三维激光扫描仪,只通过采集、分析由深度相机获得的RGB-D图像序列即可重建出目标物体的三维模型,并自动标注目标物体的位姿信息,生成二维图像中的分割掩码.实验中,使用该系统制作了包含84个物体、8400张RGB-D图像的位姿估计数据集,并将自动标注数据与手动标注数据进行了对比,发现两者分割掩码重合率可以达到98%,并且自动标注的位姿信息能够使模型点云与场景点云的对齐率达到100%,充分说明了所提系统自动标注结果的准确性与可靠性.

基于参数化量子线路的量子神经网络数据分类

量子神经网络结合了量子计算与经典神经网络模型的优势,为未来人工智能领域的发展提供了一种全新的思路。尽管量子神经网络已被广泛研究,但数据编码方式以及不同训练线路对模型性能的影响尚未得到充分研究。为此,提出一种面向数据分类的量子神经网络新模型,该模型探究了不同数据编码方式和不同结构训练层对分类任务的影响。该方法首先对经典图像进行预处理,采用不同的数据编码方式将其编码到不同的参数化量子线路中进行训练,对模型的输出进行测量,使用参数移位规则更新训练参数完成数据分类。在MNIST手写体数据集上的实验结果表明,所提出的模型在数字{3,6}分类任务上的分类准确率超过了97%。与目前的主流方法相比,所提方法在分类准确率上有明显的提升。

基于循环特征推理的大间距缺失地震数据重建方法

【目的】由于急流、裂谷、高山等自然环境的限制,采集的地震数据会出现大间距缺失的现象,影响后续的地震数据处理和地质分析工作,需要对缺失数据进行插值重建。【方法】为解决大间距地震数据缺失问题,提出一种基于循环特征推理的重建方法。首先缺失的地震数据经过部分卷积运算,在计算过程中根据感受野内有效特征图数据的占比,自适应地调整卷积运算结果的权重,避免在连续缺失的地震道上执行无效的卷积操作。然后采用循环特征推理的方式,逐步对缺失部分进行渐进式重建。部分卷积运算和循环特征推理交替进行,直至所有缺失数据重建完成。最后特征融合每次迭代产生的重建特征,以保证推理的准确性。为增强模型对大间距缺失区域纹理细节的学习能力,结合纹理损失和均方误差函数作为复合损失函数,进一步提高重建精度。【结果和结论】结果显示:(1)基于循环特征推理的方法可以有效重建大间距缺失的地震数据,信噪比在原缺失数据的14.89 dB的基础上提升至28.15 dB。(2)连续缺失30道至80道的多次重建实验中,本方法的重建结果信噪比、结构相似性、均方误差等评价指标均优于U-Net方法。采用6种不同公开数据集测试了本方法的重建效果,进一步证明了本方法的有效性。(3)对比实验探究部分卷积核大小对重建结果的影响表明,当部分卷积核大小为3×3时重建结果信噪比更高并且迭代时间更短。研究成果为大间距缺失地震数据的重建方法提供了新的解决思路。

基于数据预处理和长短期记忆神经网络的锂离子电池寿命预测

锂离子电池剩余使用寿命(RUL)可以评估电池的可靠性,是电池健康管理的重要参数。准确地预测电池的RUL可以有效提高设备的安全性并降低工作风险。该文提出一种自适应数据预处理结合长短期记忆神经网络(LSTM)的RUL预测框架。选取容量作为健康因子,数据预处理阶段,首先使用自适应双指数模型平滑方法减少容量回升现象产生的负面影响,然后通过自适应白噪声完整集成经验模态分解(CEEMDAN)对数据进行降噪;模型构建阶段,利用预处理后的数据训练得到用于RUL预测的LSTM模型。以NASA和CALCE公开数据集为研究对象进行算法性能测试,实验结果表明,所提方法鲁棒性好,能够提供精确的RUL预测结果。

基于PSO-BP神经网络的工业装备造型设计研究

针对工业装备造型、空间布局等外观特征要素与用户感性认知的复杂映射问题,提出基于PSO-BP神经网络算法的工业装备造型优化设计方法。结合因子降维、文本挖掘等方法确定代表性样本和感性意象词汇,采用语义差异法建立工业装备外观意象特征评价量表。依据用户感性意象评价与用户喜爱度建立线性回归公式,通过PSO-BP神经网络建立造型元素特征与用户感性认知间的映射模型,应用线性回归公式和映射模型构建工业装备造型设计系统。以某企业风电车载换油机为例,验证了该设计系统的有效性,为工业装备的造型设计提供参考。

基于长短期记忆网络和滑动窗口的流数据异常检测方法

针对目前流数据存在数量巨大、生成迅速和概念漂移的特点,提出了一种基于长短期记忆(LSTM)网络和滑动窗口的流数据异常检测方法。首先采用LSTM网络进行数据预测,之后计算预测值与实际值的差值。对于每个数据,选择合适的滑动窗口,将滑动窗口区间内的所有差值进行分布建模,再根据每个差值在当前分布的概率密度来计算数据异常可能性。LSTM网络不仅可以进行数据预测,还可以边预测边学习,实时更新调整网络,保证模型的有效性;而利用滑动窗口可以使得异常分数的分配更为合理。最后使用在真实数据基础上制造的模拟数据进行了实验。实验结果验证了所提方法在低噪声环境下比直接利用差值进行检测和异常数据分布建模法(ADM)方法的平均曲线下面积(AUC)值分别提高了0.187和0.05。

基于PB-DBSCAN的GPS数据去噪

针对公交车GPS数据量大、数据密度不均匀、噪声点多等问题,提出PB-DBSCAN(pixel_based-DBSCAN,PB-DBSCAN)算法。将聚类过程中判断数据点之间的关系改为判断像素格之间的关系,减小数据点邻域中的搜索范围,加快聚类速度。因公交线路的多样性,同一聚类参数无法适应所有线路,提出一种动态参数选择的方法。在石家庄公交车GPS实际数据集上进行实验,其结果表明,PB-DBSCAN可以有效识别并过滤GPS数据集中的噪声点,实现快速聚类。与采用固定参数的算法进行比较,参数的动态选择提高了聚类准确度。

数据挖掘在设备制造阶段的应用

随着制造业的不断发展和壮大,对制造设备融入新型技术的要求越来越高,传统制造业的运行模式已经不能满足工业智能化的需求。本文总结分析现有数据挖掘技术在设备制造阶段的应用,以求将设备制造发现的知识进行共享,达到互相利用、辅助决策的作用。

设施蔬菜智能灌溉控制系统的设计

为解决传统设施蔬菜种植由于灌溉技术落后导致的水资源利用系数低,灌溉效果不理想等问题,采用LabVIEW平台设计了一套基于模糊控制的设施蔬菜智能灌溉控制系统。以土壤水势为基础搭建无线传感网络获取土壤信息,融合3G网络构建集现场集控计算机和远程监控中心相结合的无线监控网络体系。采用实时土壤水势与理想水势差值以及差值变化率作为模糊控制系统输入,根据模糊控制算法得出最佳灌溉时长。经测试该系统可以在无人值守下完成对作物的精准灌溉,农户远程也能实时监测田间数据和进行灌溉控制。

采用改进人工势场法的动态无人车路径规划

针对无人车在动态转向避障过程中的,基于结构化道路改进人工势场模型进行了转向避障路径规划。首先应用椭圆化距离代替斥力势场的中的实际距离,其次,引入道路边界斥力势场模型,从而在较小车道空间内获得局部避障路径,为了更加准确的描述无人车行驶环境及动态障碍物信息,引入障碍物速度斥力势场。最后,建立了以转角为控制变量的纯追踪算法模型进行路径跟踪。Matlab仿真结果表明,对比传统人工势场法,应用改进的人工势场模型能够获得平顺且安全的局部避障路径,纯追踪控制器模型具有良好的路径跟踪性能。

联合MOD11A1和地面气象站点数据的多站点温度预测深度学习模型

针对地面气象站点分布稀疏影响站点间关系以及站点间的关系强度推理难的问题,提出一种基于联合MOD11A1和地面气象站点数据的多站点温度预测深度学习模型(GDM)。GDM包括时空注意力(TSA)、双向图神经长短期记忆(DG-LSTM)网络编码和边-点转换双向门控循环网络解码(EN-GRU)模块。首先使用TSA模块提取MOD11A1图像特征并形成多个虚拟气象站点的温度时间序列,缓解地面气象站点分布稀疏对站点间关系的影响;然后用DG-LSTM编码器通过融合两组温度时间序列来计算地面气象站点间和虚拟气象站点间的关系强度;最后用ENGRU解码器通过结合站点间的关系强度对地面气象站点的温度时间序列关系进行建模。实验结果表明,相较于二维卷积神经网络(2D-CNN)、长短期记忆全连接网络(LSTM-FC)、长短期记忆神经网络扩展网络(LSTME)和长短记忆与自适应提升集成网络(LSTM-AdaBoost),GDM在10个地面气象站点24 h内温度预测的平均绝对误差(MAE)分别减小0.383℃、0.184℃、0.178℃和0.164℃,能提高未来24 h多个气象站点温度的预测精度。

一种新型智能输液装置的电路设计

输液是各种医疗机构对患者进行有效治疗的基本方式,通过输液将药物有效地输入患者体内达到治疗目的。输液报警器的出现减少了病人和陪床者的负担。输液报警器是一种可以在输液完成时,立即发出报警提示看护人员及时拔掉针头的装置。现有的输液报警器大都采用红外液位传感技术，即通过测定液面的高度来判断输液是否完毕。

机器人视觉智能识别与无序抓取实验系统设计

本文针对复杂汽车生产制造环境中,多种类、多目标散乱堆叠场景下的机器人抓取问题,建立对油气分离器等四种不同配件的智能识别无序抓取系统;利用Photoneo公司的3D Scanner-M面结构光传感器采集目标的三维点云数据、大族机器人Elfin-E10为机械操作手臂,设计了6D位姿估计深度学习网络模型,并利用实例分割网络将点云的前景点和背景点解耦,进而将实例聚类,生成统一的点云切片,送入后续网络进行位姿估计。实验是通过在实际精确抓装项目任务中的应用,分别在MFC和ROS-QT软件架构中搭建了基于传统点云位姿估计方法和深度网络位姿估计方法的软件平台,并在实际场景中完成了对油气分离器等工件的全过程抓取,对6D位姿估计的深度网络的有效性进行了对比实验与验证。结果表明,本文提出的位姿估计识别方法在完成对目标工件的抓取上拥有较高的成功率。

基于“翻转课堂”模式在工科大学物理实验教学中的应用

随着互联网技术的快速发展,微课、翻转课堂等新型教学模式应运而生,如何将新型教学模式的特色与传统教学模式的经典结合起来,达到一个最优课堂教学的效果是值得研究的问题。该文针对传统大学物理实验教学模式的问题,实施了采用基于微课的"翻转课堂"大学物理实验教学模式,研究了实验视频的分类,介绍了"翻转课堂"的设计模式,最后提出了一些建议。从反馈情况来看,不同程度的学生,都能在课堂上得到收获,这种方式教学方式有自己的优势,考虑线下学习与第一课堂相配合,才能发挥出新型教学模式的优势。