人工智能中的三支结构

为了从基于认知计算的三支决策(three-way decisions,3WD)理论来解释人工智能(artificial intelligence,AI),从3WD几何结构的角度阐述了人工智能的发展历程、技术分类、关键研究问题以及未来发展方向。这包括人工智能研究中的三大主义、人工智能发展中的3种分类、机器学习的3种方式、智能本质中的三层金字塔结构、智能生成机理中的三支结构、大数据的三V结构、人工智能伦理的三定律以及人工智能中人类与机器关系的三元结构等。通过3WD三元组的几何结构和模式,尝试对人工智能中三元处理进行解释。本文工作可对3WD在大数据分析、知识发现、计算智能、智能信息处理等方面的研究提供参考。

论人工智能技术应用研究现状和发展前景

“人工智能”这一概念从1956年被首次提出以来,发展迅速,在各个领域的应用和应用前景充分体现了其作为一门交叉学科的优势。大数据、云计算、物联网、5G技术等词汇冲击着人们的视野,人工智能作为目前发展最为火热的科学被广泛议论和研究。介绍了人工智能的主要应用范畴和人工智能技术目前最广泛的应用,展望了人工智能广阔应用前景。人工智能技术改变着人们的生活和生产方式,虽然随着这一技术的迅速发展,相关的伦理讨论被提出,但只要人类合理利用科技的力量,这一技术终将为人类服务。

新时代3+3+X科技赋能大中小一体化育人工作的实践探讨

目前,用科技赋能大中小一体化实践育人工作还存在诸多难点,包括科技设施不全、学生科技能力差异较大、教育资源分配不均等问题。针对这些问题,本文采用实证研究的方法,旨在对大中小学校在教育实践中融入科技力量的情况进行了调查和分析,了解实践育人教育领域的科技应用趋势和面临的挑战,提出“3+3+X”科技赋能大中小一体化实践育人的实践措施,以便提升教育质量和育人效果。研究发现,科技赋能教育能够显著提高学生的学习兴趣和参与度,促进知识的深入理解和应用,同时也有助于培养学生的创新能力和实践能力,能够为科技赋能大中小一体化实践育人工作提供有益的参考和借鉴。

浅析人工智能时代下计算机科学与技术的应用与发展

人工智能时代的意义是重新审视人类生命模式,构建全新的多元化选择体系。基因的复制和繁衍是人类发展的本质,但不是唯一。超级人工智能或强人工智能会对人类的存在产生影响吗?人类的主体性意识会在人工智能的影响下逐渐弱化和消解吗?技术主体是否可以取代基因主体,人类的基因宿命和价值是否虚无。这些都是人工智能时代对社会、伦理、科技、道德等多方面提出的挑战。

结合人工蜂群与K-means聚类的特征选择

K-means聚类是一种简捷高效、收敛速度快且易于实现的统计分析方法,但是传统的K-means聚类算法对初始聚类中心的选取敏感且易陷入局部最优,同时多数无监督特征选择算法容易忽视特征之间的联系。为此,提出了一种结合人工蜂群与K-means聚类的特征选择方法。首先,为了使同一簇中样本的相似度高而不同簇中样本的相似度低,基于簇内聚集度和簇间离散度构建了新的适应度函数,更好地反映各样本的特性,进而构建了蜜源被选择新的概率表达式;其次,设计了随着迭代次数的增加而数值逐渐减小的权重,提出了使蜂群搜索范围动态缩进的蜜源位置更新表达式;然后,为了弥补传统的欧氏距离在计算距离时仅考虑向量之间的累积差异而表现出的局限性,构造了同时考虑样本影响程度不同以及样本的相似性的加权欧氏距离表达式;最后,引入标准差和距离相关系数,定义了特征区分度与特征代表性,以二者之积度量特征重要性。实验结果表明,所提算法加快了人工蜂群算法的收敛速度并提高了K-means算法的聚类效果,同时也有效地提升了特征选择的分类效果。

改进RT-DETR的无人机图像目标检测算法

针对轻小型无人机图像目标检测中由于目标灵活多样、环境复杂多变导致的检测精度低等问题,提出基于改进RT-DETR无人机目标检测算法。综合考虑轻量级SimAM注意力和倒置残差模块改进ResNet-r18主干网络,提高目标检测模型的特征提取能力。采用级联分组注意力机制优化倒置残差模块和特征交互模块,提升特征选择能力,实现目标检测信息的精细化获取。颈部网络中引入160×160检测层,提升特征融合阶段小目标的感知能力。基于VisDrone2019数据集的实验结果表明,改进后的模型具有更低的参数量和更高的检测精度。在Alver_Lab_Ulastirma和HIT-UAV数据集上进一步验证了改进方法的有效性和鲁棒性。

卷积神经网络与人工水母搜索的图特征选择方法

目前,卷积神经网络(Convolutional Neural Network,CNN)模型在处理图像数据时分类效果较差,人工水母搜索(Artificial Jellyfish Search,AJS)算法收敛速度慢,迭代次数多,特征选择的效果不理想.针对上述问题,提出一种基于CNN和AJS的图特征选择方法 .首先,使用CNN来提取特征,将生成的特征图进行图嵌入降维,再使用AJS算法进行特征选择,把得到的特征输入分类器,进行模型训练和评估;然后,在图嵌入阶段,将特征图进行随机游走,并通过添加特征权重计算节点的游走概率来增强权重大的节点的游走概率,提高分类精度;最后,在AJS算法中引入余弦公式对人工水母的位置进行更新,充分考虑特征向量之间的相似性,提高算法的收敛速度并减少迭代次数.在10个基准函数上进行实验,结果表明改进的AJS算法具有较好的优化性能.在四个数据集上,将提出的算法与其他算法进行对比实验,实验结果表明,提出的算法能提高分类精度,减少迭代次数.

基于物联网的智能垃圾桶的设计与实现

在符合市场需求的基础上,设计了一款基于物联网的智能垃圾桶,该垃圾桶可以实现自动行走、自动识别、自动分类、桶内温度检测及报警等功能。实验及调研结果表明,该智能分类垃圾桶符合用户需求[1],有很大的推广价值。

基于大学生实验室创新基金项目的实践教学探索

近年来,针对大学生实验操作能力的项目日益增多增新。本文以校级大学生实验室创新基金项目的研究过程为切入点,详细阐述了项目开发过程和实践教学相结合的实现过程。本基金项目倡导以学生为主体,教师为主导的培养模式,锻炼学生提出、分析和解决问题的能力,这与软件工程开发过程是相辅相成的,对计算机专业的学生非常有启发,通过学生的团队合作,较好地解决了实验报告自动生成和模板化的问题。

潜在空间中的策略搜索强化学习方法

策略搜索是深度强化学习领域中一种能够解决大规模连续状态空间和动作空间问题的高效学习方法,被广泛应用在现实问题中。然而,此类方法通常需要花费大量的学习样本和训练时间,且泛化能力较差,学到的策略模型难以泛化至环境中看似微小的变化。为了解决上述问题,提出了一种基于潜在空间的策略搜索强化学习方法。将学习状态表示的思想拓展到动作表示上,即在动作表示的潜在空间中学习策略,再将动作表示映射到真实动作空间中。通过表示学习模型的引入,摒弃端到端的训练方式,将整个强化学习任务划分成大规模的表示模型部分和小规模的策略模型部分,使用无监督的学习方法来学习表示模型,使用策略搜索强化学习方法学习小规模的策略模型。大规模的表示模型能保留应有的泛化性和表达能力,小规模的策略模型有助于减轻策略学习的负担,从而在一定程度上缓解深度强化学习领域中样本利用率低、学习效率低和动作选择泛化性弱的问题。最后,在智能控制任务CarRacing和Cheetah中验证了引入潜在空间中的状态表示和动作表示的有效性。

融合ResNeXt的家庭智能垃圾桶的实现

虽然世界各国政府以及各省市都出台了与垃圾分类有关的法律规定,但是由于欠缺的分类知识,以及淡薄的分类意识,实际分类成效并不理想。基于此,系统研究了识别分类算法、软硬件解决策略,并对采集到的垃圾数据集进行微调训练,进而建立基于图像识别的识别模型来有效地识别垃圾类型。智能垃圾桶以树莓派为核心控制器,以Arduino单片机为垃圾桶移动控制机器,加上图像识别技术,3D打印技术,完成了垃圾桶对垃圾的自动识别、智能移动等各种功能。

基于Spark分布式框架的海量星表数据时序重构方法研究

时序重构是时域天文学中的一个重要数据处理步骤,也是拟合光变曲线、开展时域分析研究的基础。Hadoop、Spark这类MapReduce分布式模型在执行过程中分布式集群节点间的任务比较独立,需要跨节点的数据传输量较少。提出了非阻塞异步执行流程,每个分布式进程完全针对独立天区的数据进行连续处理,而分块边缘的新增天体导致的其他节点的新增证认任务延时批量追加,并且会根据各进程间的进度不同确定追加方式,保证证认计算没有遗漏,从而在提高并发效率的同时保证算法的精度。此外,对两表间的不同Join策略从理论和实验两个角度进行了研究并提出了免Join策略。最后通过基于Spark分布式框架的高效时序重构系统的设计完成了以上研究的验证。实验表明,与以往研究结果相比,该时序重构算法效率提升明显,为时域天文学中的天文时序数据分析的开展打下了良好的基础。

基于图像超分辨率预处理和二次迁移学习的水稻病害识别方法

针对现有的深度学习模型在水稻叶片病害的识别中准确率较低的问题,本文提出一种基于图像超分辨率预处理和二次迁移学习的水稻病害识别方法,通过采用超分辨率重建技术,可以获得更高质量的图像,从而提升识别率;通过使用二次迁移学习技术,引入由Inception块构成的AW模块构建网络模型AW-Net(add width modules to the network model),该方法增加了模型的网络宽度,可以有效缩小类内距离,扩大类间距离,实现了对水稻叶片病害区域特征的有效提取,提升识别率。实验结果表明,本文方法识别的准确率显著提升。

融合语义增强和位置编码的图文匹配方法

图文匹配是跨模态基础任务之一,其核心是如何准确评估图像语义与文本语义之间的相似度。现有方法是通过引入相关阈值,最大限度地区分相关和无关分布,以获得更好的语义对齐。然而,对于特征本身,其语义之间缺乏相互关联,且对于缺乏空间位置信息的图像区域与文本单词很难准确对齐,从而不可避免地限制了相关阈值的学习导致语义无法准确对齐。针对此问题,本文提出一种融合语义增强和位置编码的自适应相关性可学习注意力的图文匹配方法。首先,在初步提取特征的基础上构造图像(文本)无向全连通图,使用图注意力去聚合邻居的信息,获得语义增强的特征。然后,对图像区域的绝对位置信息编码,在具备了空间语义的图像区域与文本单词相似性的基础上获得最大程度区分的相关和无关分布,更好地学习两个分布之间的最优相关边界。最后,通过公开数据集Flickr 30 k和MSCOCO,利用Recall@K指标对比实验,验证本文方法的有效性。

基于选择性自校正卷积U-Net的肺部X射线图像肺实质分割

针对U-Net分割算法无法提取多尺度特征、易受到伪影和噪声干扰而导致在肺部X射线图像中肺实质分割不精确的问题,提出一种基于选择性自校正卷积的U-Net改进算法。改进后的U-Net算法将普通卷积模块替换为选择性自校正卷积模块,该模块采用多分支结构提取多尺度特征信息,使用Sigmoid函数和Softmax函数对多尺度特征信息进行选择性校正,使校正后的特征信息聚焦于肺实质区域,输出特征更加具有针对性。实验表明,该方法对骰子系数、交并比、F_(1)评分结果以及对肺实质分割结果都有一定程度的提升。

基于探针稀疏注意力机制的门控Transformer模型

在强化学习中,智能体对状态序列进行编码,根据历史信息指导动作的选择,通常将其建模为递归型神经网络,但其存在梯度消失和梯度爆炸的问题,难以处理长序列。以自注意力机制为核心的Transformer是一种能够有效整合长时间范围内信息的机制,将传统Transformer直接应用于强化学习中存在训练不稳定和计算复杂度高的问题。门控Transformer-XL(GTrXL)解决了Transformer在强化学习中训练不稳定的问题,但仍具有很高的计算复杂度。针对此问题,本研究提出了一种具有探针稀疏注意力机制的门控Transformer(PS-GTr),其在GTrXL中的恒等映射重排和门控机制的基础上引入了探针稀疏注意力机制,降低了时间复杂度和空间复杂度,进一步提高了训练效率。通过实验验证,PS-GTr在强化学习任务中的性能与GTrXL相当,而且训练时间更短,内存占用更少。

AIGC背景下高校计算机编程公共课的教育变革

伴随人工智能生成内容(AIGC,AI-Generated Content)的蓬勃发展,计算机编程教育迎来了巨大的变化与挑战。作为高等院校计算机编程公共课的教育工作者,要紧随技术迭代创新变化,充分重视,冷静应对,积极探索并思考在AIGC影响下如何转变教师的角色与定位,如何设定符合智能时代人才培养需求的教学目标和教学内容,并结合AIGC大胆尝试调整教学模式,探索出具有本校特色、结合学生实际发展需要的计算机编程公共课。

基于十字形窗口的生成对抗网络模型

由于传统的生成对抗网络(generative adversarial network,GAN)都是以卷积神经网络(convolutional neural networks,CNN)作为基本框架,CNN无法处理远程依赖关系,因此会导致图片特征分辨率低和精细细节损失的问题。CSWin Transformer中的十字形窗口自注意力机制可以有效捕获图像组件之间的远程依赖关系,本文提出一种基于CSWin Transformer的生成对抗网络模型CTGAN(CSWin Transformer GAN),模型在CIFAR-10数据集和更高分辨率的CelebA数据集上进行测试,模型表现出了较好的生成效果,可以生成保真度高且细节丰富的图片。

基于对比学习的深度残差网络图像超分辨率方法

传统的基于对比学习的图像超分辨率方法,一般将原始图像作为正样本,将退化图像或其他类图像作为负样本,存在对纹理细节恢复差的问题。本文提出基于对比学习的深度残差网络图像超分辨率(depth residual image super-resolution based on contrast learning,CEDSR)方法,针对残差超分辨率模型,采用对高分辨率图像锐化后的图像作为正样本,对高分辨率图像轻微模糊的图像作为负样本,利用正负样本下的对比损失提升对纹理细节的恢复增强。增强锐化后的正样本图像携带更丰富的纹理信息,基于不同函数生成的模糊负样本图像刻画了纹理模糊特征,正负样本构建的对比损失有利于图像超分辨率图像对纹理细节的恢复。本文模型在4个标准数据集DIV2K、Set14、BSDS100和Urban100上与经典算法进行实验对比,定性和定量实验结果均表明本文模型可以获得效果更好的超分辨率图像。

基于CNN与LSTM复合深度模型的恒星光谱分类算法

恒星光谱分类是天文学领域中非常重要的研究方向。随着科技的迅猛发展,大型巡天望远镜采集的恒星光谱数据已经达到了TB或甚至PB级别,传统的分类方法已经无法满足如此庞大数据量的处理需求。正确分类光谱对于研究恒星的物理性质以及演化过程具有重要意义。CNN通过卷积运算学习数据的局部特征,去除冗余信息,并通过最大池化运算对特征进行压缩。然而,由于原始CNN模型的全连接层缺乏长距离依赖挖掘的功能,如果加入LSTM网络,通过其独特的三个“门”的远距离依赖挖掘能力可提取的重要特征,并检测特征中的微小差异,恰好可以解决这个问题。因此,提出了一种基于CNN和LSTM复合的深度模型,用于对LAMOST DR8中的恒星光谱进行分类。这种模型能够更好地学习恒星光谱的特征,为恒星演化研究提供了重要的帮助。为了提高模型的收敛速度,使用了常见的Z-Score标准化方法对数据进行处理。提出的模型在F、G、K三分类实验中取得了94.56%的分类准确率。同时,与前人使用过的RBM、PILDNN、PILDNN、DBN、Inception v3、1D-SSCNN、LSTM方法进行对比,结果表明该方法具有更高的分类准确率。在十分类实验中,该方法取得了97.35%的准确率,并且相比于仅使用LSTM、1D-SSCNN方法的实验结果,该方法的结果更好,且训练时间减少了近十倍。使用F1-score对每类恒星光谱分类准确度进行说明,在三分类和十分类实验中,每类的F1值都在0.9以上。与前人在文献中的实验结果进行对比,该模型的结果更好。通过混淆矩阵的结果,可以得出该模型在光谱种类越多的实验中准确率越高,甚至可以达到100%。综上所述,所提出的基于CNN和LSTM相结合的模型可以有效地对大规模恒星光谱数据进行分类,并取得了优异的分类效果。