物联数据建模分析框架探讨

随着大数据和人工智能(AI)的发展,物联网(IoT)呈现AIoT的发展趋势,物联基础设施将成为新一代的信息基础设施,未来也必将形成"物联"、"数联、"智联"三位一体的体系结构。针对物联基础设施形成数据的采集、存储、分析、挖掘以及智能化应用,根据物联数据形成方式以及应用不同,本文把物联数据按照物体数据、感知数据、事件数据进行分类,分别进行抽象化数据建模,并提出了相关分析、挖掘方法,形成了一套较为完整的物联数据建模分析框架。本文对物联数据进行体系化建模,形成了完整、标准的物联数据建模体系,可以为物联数据的分析、挖掘及应用提供基础保障。

面向智能避障场景的深度强化学习研究

研究基于深度强化学习技术的避障场景的算法模型设计,采用改进的深度Q网络(Deep Q-learning Network,DQN)算法克服了Q-learning表格式算法在连续状态下导致内存不足的局限性。鉴于学习过程中奖励稀疏导致很难获得较好结果的情况,改进奖励机制,增加实时奖惩作为补充,解决学习耗时长和训练不稳定的问题;采用相对角度、位置和距离等信息,相比绝对坐标信息可以更有效的躲避障碍物。不同于基于栅格法/可视图法等传统人为策略避障算法,深度强化学习算法DQN能够在缺乏先验知识的条件下具备自主决策能力,因此适用性更强。该技术可应用在仓储无人车、巡检机器人、无人机等现实场景。

基于事故权交易制度的安全生产管理模型

针对目前相对较为严峻的生产安全状况,提出了一种基于事故权交易制度的市场化管理模型。通过对环保领域排污权交易制度的研究和总结,提出事故权交易制度的若干要素,并构建事故权交易制度,在事故权交易制度的基础上,构建包含多级事故权交易市场的市场化安全管理模型。模型通过引入市场机制来提高企业改善生产安全环境的积极性,通过设定较为公正透明的事故权初始分配方式,减少企业造假和政府人员腐败的可能性。模型的多级市场设置便于各级安全监管部门控制自己领域内的事故总量,同时减少安全生产监管部门的工作内容。