面向动态任务合作求解的联盟模型

多Agent系统中,Agent间通过形成联盟达到提高任务求解能力,获取更多收益的目的。主要关注联盟模型的改进和联盟形成阶段的改进,基于ARG(agent,role,group)元模型和学习机制提出了一种采用角色和学习机制的新联盟模型CLAR(coalition model based on learnin gagent and role);在采用合同网协议的CLAR联盟模型中提出了两阶段联盟形成机制;通过捕食者问题实验验证了角色和学习机制的作用,以及两阶段联盟形成机制在减少通讯代价上的作用。

一种油井运输车调度的贪心算法

文章提出了一种评价标准,综合考虑油井运输车调度过程中车辆行驶路程和运油量这两方面的指标,并根据这一评价标准提出一种解决油井运输车调度问题的贪心算法,称为"最小耗运比优先"贪心调度算法。详细阐述了"最小耗运比优先"贪心调度算法的思想和具体步骤,并在原理上对此算法进行了解释。

一种超声波液位测量仪的设计方案

给出了一种运用单片机开发超声波液位测量仪的软件硬件设计方案,重点分析了测距过程中误差产生的原因,运用"箱线图"法求样本中位数作为测量值对采集数据进行校准,以消除信号噪声,采用最小二乘法减小硬件软件实现上产生的误差.该设计方案已应用于某油田井场数千个储油罐液位的测量,取得了较好的效果.该设计方案因实现简单、生产成本低,适合测量距离在3 m以内、精度要求在4 mm以内的应用场合.

面向数字媒体技术专业的机器视觉类课程智能化教学研究

根据新一代人工智能技术的发展,机器视觉作为最适合数字媒体技术专业的课程已编入本科教学大纲。结合当前先进的智能化大数据处理技术,尝试将该方法引入数字媒体技术专业的机器视觉课程的教育过程中,通过采集学生课堂的实时大数据来追踪学生的学习表现,进而改进教学手段,提升教学效果。

大数据时代数字媒体技术专业发展刍议

随着大数据时代的到来,数据影响着人们学习、生活、工作的方方面面。因此,有关数字媒体技术专业如何发展、如何适应社会的需求等问题已成为研究重点。本文基于数字媒体技术专业的发展现状,阐述了大数据时代该专业发展存在的问题,并提出相应的解决策略。

数字媒体技术专业机器视觉类课程的建设与探索

机器视觉作为人工智能重要的分支之一,研究如何让机器像人一样理解和处理图像信息。在人类获取的全部信息中,视觉信息达到了80%以上。数字媒体主要指以计算机图形、图像为代表的可视化数字信息。当前,以深度学习为代表的人工智能技术在图像识别和处理领域的研究较为成功,应用也较成熟。将机器视觉知识体系系统地融入数字媒体专业的课程建设和教学实践,以培养本科生基础理论知识和工程开发能力。

一种结合文本情感分析的微博僵尸粉识别模型

社交网站中的僵尸粉群体严重威胁社交平台公信力且增加了社交风险。为准确识别僵尸粉,构建一个基于神经网络的僵尸粉识别模型(Zat-NN)。通过分析微博僵尸粉的社交行为得到高级僵尸粉的行为特征,利用累积分布函数研究僵尸粉与正常用户在行为特征上的差异,并结合卷积神经网络与长短时记忆网络加强微博文本情感分析能力,同时增加日均转发微博数、发博工具和微博情感特征3个用户新特征提高Zat-NN模型识别准确率及鲁棒性。在新浪微博用户数据集上的实验结果表明,Zat-NN模型能有效识别高级僵尸粉,提升社交网络用户体验。

面向机器视觉类课程的精准教学研究

随着人工智能、机器学习技术的发展,机器视觉类课程已作为最适合数字媒体技术专业的核心专业课程被编入本科教学大纲。从当前基于传统教学模式的机器视觉类课程的教学现状来看,存在教学内容分散、内容严重重复交叉,课堂教学与课程实践脱节等问题。本文将大数据精准教学的相关理念和方法引入数据媒体技术专业的机器视觉类课程的教学过程中,探讨构建面向数字媒体技术专业的机器视觉类课程的精准教学模式。

基于新工科背景的人工智能教学改革分析

随着国家新工科计划的提出,我国新工科教育也有了明确的发展目标及发展方向,尤其是对课程资源建设、课程体系优化以及教学方法创新提出了更具体的要求。该文结合新工科背景,对人工智能教学的改革进行深入的分析,以供教育界同仁参考借鉴。

图形属性管理

属性管理是图形系统中的关键技术,不同图元的属性项目差异很大,用户定制图元的属性管理更加困难,给出的属性盒类较好地解决了这个问题。图形对象之间常常拥有相同的属性值,而属于同一图层的某些对象也可能拥有特别的属性值,为此提出了一个较为完善的图层类和图元类的设计。

基于动态赋权近邻传播的数据增量采样方法

数据采样是快速提取大规模数据集中有用信息的重要手段,为更好地应对越来越大规模的数据高效处理要求,借助近邻传播算法的优异性能,通过引入分层增量处理和样本点动态赋权策略,实现了一种能够非常有效地平衡处理效率和采样质量的新方法.其中的分层增量处理策略考虑将原始的大规模数据集进行分批处理后再综合;而样本点动态赋权则考虑在近邻传播过程中对样本点进行合理的动态赋权,以获得采样的数据空间上更好的全局一致性.实验中,分别使用人工数据集、UCI标准数据集和图像数据集进行性能分析,结果表明:新方法与现有相关方法在采样划分质量上可达到同等水平,而计算效率则可实现大幅提升.进一步将新方法应用于深度学习的数据增强任务中,相应的实验结果表明:在原始数据增强方法上结合进高效增量采样处理后,在保持总训练数据集规模的情况下,所获得的模型性能可实现显著的提升.