基于端到端深度学习的智能车自动转向研究

为解决由图像直接计算出控制量的端到端深度学习算法中感知器和控制器难以区分的问题,对其网络结构进行了改进。通过预训练一个自编码器,得到良好的道路特征编码后,将编码器作为感知器和和转角预测控制器一起进行端到端的训练。训练结果表明,改进后的自动转向网络模型收敛得更快,预测的角度在测试集上能较好地跟随实际角度变化而变化。利用解码器和特征图反向传播法分别还原出道路图片,可视化了该自动转向模型重点关注的道路特征。

高职院校移动学习APP客户端的研究与设计

移动学习已经成为高职院校数字化校园建设的必要内容之一,在研究了国内外移动学习的基础上,分析了高职院校进行移动学习平台研究原因。结合目前已经存在的基于短消息、WAP网页和第三方交流软件移动学习的优缺点,利用移动智能终端APP开发技术设计出了新的移动学习平台,使之在平台上不仅展现文字性学习内容而且和视频教学内容,还有测试、交流、签到、意见反馈等移动学习功能,真正打破时空限制、网络资费的限制,实现随时、随地、随身的学习。

基于Moodle和PhoneGap的移动学习客户端的设计与应用研究

本文将结合用户移动学习现状及偏好,确定移动学习客户端的系统需求,进而基于Moodle和PhoneGap平台,实现对移动学习客户端的设计,并将移动学习客户端应用到实际教学过程中,确定应用成效。

基于端到端学习机制的高速公路行驶轨迹曲率预测

本文中基于端到端学习机制进行了高速公路场景下的车辆行驶轨迹预测。首先,为量化表达行驶轨迹,并对预测结果进行合理评价,建立了行车轨迹曲率预测模型与评价体系。然后,针对端到端的行驶轨迹曲率预测训练集中驾驶员行为决策的不确定性导致性能不佳的问题,采用场景切分和特征预提取的方法进行优化和实车试验验证。结果表明,该方法提高了高速公路行驶轨迹预测的准确性和可靠性。

虚拟环境下端对端深度学习的自动驾驶方法

针对现实环境中对自动驾驶车辆进行道路试验面临着试验成本高、极端工况难以模拟等诸多问题,依托虚拟现实的自动驾驶车辆行驶仿真试验平台,利用深度强化学习的思想,构建了从感知到动作映射的端对端学习神经网络算法,建立了虚拟环境下长距离自治的自动驾驶模型,通过人工驾驶进行了数据采集,利用采集到的数据对自动驾驶算法训练,并在虚拟环境中对车辆进行了自主驾驶测试。测试结果表明,自动驾驶的训练效果与驾驶员的驾驶行为有关,驾驶行为越规范,训练效果越好。本算法有效提高了自动驾驶的训练效果,为在虚拟环境中训练自动驾驶车辆奠定了坚实的理论基础。

语音反演远端监督学习模型研究

针对发音信息在话音环境中并不容易得到的问题,提出了一种从听觉信号中预测发音信息的语音反演方法。论文应用远端监督学习(DSL),对语音反演机器学习策略进行研究,并对其实验背景和理论依据进行了分析。论文在提出一种对远端监督学习逆模进行全局优化的方法的同时,通过应用八个声道变量作为发音信息来模拟语音动力学,对语音信号分别被参数化为声学参数(APs)和梅尔频率倒谱系数(MFCCs)时的预测结果进行了比较。结果表明远端监督学习对声道变量有较好的预测性能。

TensorFlow Lite:端侧机器学习框架

TensorFlow Lite(TFLite)是一个轻量、快速、跨平台的专门针对移动和IoT场景的开源机器学习框架,是TensorFlow的一部分,支持安卓、iOS、嵌入式Linux以及MCU等多个平台部署.它大大降低开发者使用门槛,加速端侧机器学习的发展,推动机器学习无处不在.介绍了端侧机器学习的浪潮、挑战和典型应用;TFLite的起源和系统架构;TFLite的最佳实践,以及适合初学者的工具链;展望了未来的发展方向.

一种端到端弱监督学习网络模型的中国画情感识别

情感识别是计算机视觉研究中的一个热点,研究中国画表现的情感对于作品鉴赏工作具有重要意义。为了提高识别性能,针对传统卷积神经网络用于提取中国画的局部区域信息会导致有效信息丢失的问题,文章提出一种基于端到端弱监督学习网络方法对中国画情感进行识别。提出的学习网络由2个分类模块和1个情感强度预测模块组成。首先,在改进特征金字塔网络的基础上构建强度预测通道,提取多层次特征。使用基于梯度的类激活映射技术从第一个分类通道生成伪强度映射图,以指导提出的网络进行情感强度学习。将预测的强度图输入到第二分类通道中进行最终的中国画情感识别。最后,在公开数据集上对提出的方法进行了验证,实验结果表明,所提出的网络就混淆矩阵、平均分类准确率、平均情感识别率分别提高了10%,15%和13%。

基于端到端深度学习的声源特征清晰化方法

基于深度学习的无网格声源识别方法突破了网格划分的限制,具有精度高、预测速度快的优点。在利用传统波束形成地图(conventional beamforming map,CB Map)提取声源位置特征时,随着传声器数目的减少,CB Map的成像性能会下降,进而影响深度学习模型预测声源位置的精度。为了提高深度学习无网格方法(deep learning grid-free method,DL-GFM)的通用性,使其在较少传声器阵列的情况下有良好的性能,提出一种基于端到端深度学习模型U-Net的阵列转换方法(array converted method,ACM),对CB Map进行清晰化。首先使用18通道阵列CB Map作为输入、64通道阵列CB Map作为目标训练U-Net模型,然后使用训练好的残差神经网络(residual network,ResNet)作为DL-GFM方法的预测模型进行无网格声源坐标识别。仿真结果表明ACM方法具有良好的旁瓣消除和主瓣宽度减小能力,并且在1~8个声源范围内对非训练声源数目的情况同样有效。对于3声源的情况,ACM方法在全频段上提升了DL-GFM方法的精度。最后通过1个、2个、3个声源的试验验证了提出方法的有效性和可行性。

新媒体环境下时政新闻的全新表达——以“学习强国”客户端为例

时政新闻是党和国家的喉舌,是最具有政治宣传和舆论引导功能的新闻类型。在新媒体环境下,时政新闻的发展面临新的压力和挑战。文章以'学习强国'客户端为例,从时政新闻的内容质量、表现形式、学习组织、聚合传播等四个方面分析了新媒体环境下时政新闻的全新表达方式。

“互联网+”背景下大学生英语移动端学习调查分析——以广东培正学院为例

随着“互联网+”不断发展,大学生利用移动端学习英语已成为一种英语学习的新态势。本文通过文献检索和问卷调查的方式,以广东培正学院为例,调查研究大学生英语移动端学习的现状,并针对存在的问题提出对策与建议。

基于Android的英语听力移动学习客户端设计与实现

为了满足当前不同学习者对英语学习的信息化需求,在Android系统的基础上进行英语听力移动学习客户端设计。利用MVC模式减轻英语听力移动学习客户端的设计压力,为英语听力学习者提供更好的使用体验。针对用户界面实现,采用Java代码控制和XML布局文件相结合的方法解决当前软件设计存在的缺陷,为英语听力学习者营造良好的学习氛围。

基于少样本学习的书籍装帧手写字体生成

手写字体具有一定的亲和度,尤其在书籍装帧设计中更具人性化和表达力,但手工设计字体流程烦琐且专业程度要求高。通过基于人工智能的手写字体生成算法帮助设计是解决这一问题的有效途径。本研究采用少样本字体生成网络,其中在特征提取方面采用了多子编码器提取了多个特征,可更好地捕捉不同的局部概念;在样本训练方面采用端到端的训练方法,可以显著减少训练时间,提高字体生成效率。采用定性与定量分析相结合的方式,对多种字体生成方法进行了深入比较。相较于其他方法,本研究所提出方法的FID与LPIPS值更低,这充分证明了本研究方法在生成效果上的优越性,生成的字体更加清晰且高度逼真。该方法为书籍装帧设计提供了更快、更有效的解决方案,简化了字体设计的烦琐过程,提升了设计效率。未来的研究可进一步优化生成字体的质量和多样性,以满足不同书籍装帧设计的需求。

新媒体语境下“学习强国” APP客户端的传播模式探究

在当今的新媒体时代,各类信息都伴随着新媒体平台传播,使得人们获取信息的平台与渠道越来越多。伴随新媒体技术的不断发展,时政新闻的传播模式发生了较大的变革,全新的传播模式越来越受人们的喜爱,极大的改变着人们的生活。基于此,“学习强国”APP客户端应运而生,无论是从传播内容还是传播模式都进行了大胆的创新,全新的传播模式吸引着受众的注意力。主要以“学习强国”APP客户端为例,分析其在新媒体语境下的传播模式。

基于云+端的中学生成性智慧学习环境构建

智慧学习环境是数字化学习环境的高端形态,"生成"是新课改倡导的新理念之一。普及云+端智慧学习系统为有效支持生成性教学的开展,构建面向生成的智慧学习环境具有积极意义。该文通过查阅文献,厘清了生成性教学的内涵与特征,提出了生成性教学的过程模型;然后,基于系统开发的理念,以云+端智慧学习系统为例,构建生成性智慧学习环境,对实现教学目标和创生教学附加价值,具有积极的推动作用。

一种基于互信息神经估计改进的未知信道端到端通信系统

针对端到端通信系统在信道未知时通过使用生成对抗网络(Generative Adversarial Network,GAN)表示信道效应而产生的梯度消失和过拟合问题,提出了一种通过互信息作为正则化项的改进方案。通过互信息神经估计器(Mutual Information Neural Estimator,MINE)计算发射信号与接收信号的互信息并由此作为正则化项来提高模型的泛化能力,从而缓解过拟合问题,而其中产生的额外梯度可以缓解梯度消失问题,从而提高了模型的学习性能。从仿真结果来看,改进后的方案表现出了更好的鲁棒性,并且在加性高斯白噪声(Additive White Gaussian Noise,AWGN)信道、瑞利衰落信道上获得了更好的误比特率性能。此外,在频率选择性信道上,改进后的方案获得了1 dB左右误比特率性能的改善。

基于端到端学习的视觉车道线保持方法研究

针对传统自主驾驶汽车复杂的车道检测、路径规划和运动控制技术问题,基于卷积神经网络设计了一种视觉车道保持系统,该方法可直接从视觉传感器中获取数据以控制车辆转向。基于消失线方法对图像进行区域剪切获取感兴趣区域,解决了训练过程需标记大量的数据集而时间成本高的问题。采用上、下采样结合及色彩空间转换方法进行数据增强,避免了数据不平衡和过拟合现象。最后,结合实际情况修正了转角损失与油门损失权重比。将预处理后的数据馈送到神经网络进行训练,通过仿真实验验证了方法的可行性,实现了基于端到端学习的DIY小车在所设置轨道上的自主驾驶。

移动端学习在中职机电类专业教学中的应用

在“互联网+”迅速发展的今天,移动平台在大众教育市场中的应用已较为广泛,各种各样的APP既深刻地改变了人们的日常生活,也深刻地影响着中职教育教学,本文试结合中职机电类专业教学现状,探讨在机电类专业课程教学中如何更好地应用移动端开展学习。

笔记分享搜索学习社交移动端软件的设计与开发

笔记分享多功能学习交流移动社交软件极大地提升了知识在社交媒体平台进行信息发布的传播力,方便学子交流,更方便知识传承,使学习者可以随时随地方便地获取自己需求的知识信息,根据索引标签就能够找到对应的图集进行查看,其中还可以评论,可以增强交互性和信息传播性。

一种改进的CNN端到端自编码器通信系统

针对现有端到端神经网络通信系统的泛化能力改进及自编码器优化等问题,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)的端到端通信系统改进方案。该方案在自编码器结构中引入一维卷积层(Conv1D),通过对参数的重新设计,优化了网络性能。发送端采用多层Conv1D对输入序列进行特征提取,通过训练获得发送信号的最佳调制和编码方案;接收端同样采用多层Conv1D,来恢复受到噪声污染的符号。仿真实验表明,在不同输入比特长度及编码速率条件下,所提系统表现出了良好的泛化能力。并且,在加性高斯白噪声信道和瑞利衰落信道下,训练模型的误码性能与传统的调制方式性能相吻合,验证了系统方案的可行性和有效性。此外,对于数字传输常见的突发信道,所提方案具有良好的适应性,可获得1 dB左右误码性能的改善。