基于多传感器融合的机器人压缩感知图像处理方法

针对机器人多传感器目标的快速感知问题,该文提出基于多传感器融合的机器人压缩感知图像处理方法。利用机器人内置的多个传感器设备,采集具有稀疏特性的压缩感知图像。利用多传感器融合技术,从像素、特征和决策3个方面融合初始压缩感知图像。经过压缩感知图像亮度与饱和度修正、噪声抑制以及图像增强3个步骤,完成对机器人压缩感知图像的处理,并以可视化的形式输出。经过与传统图像处理方法的对比得出结论,优化设计处理方法得出图像的信噪比提高了824.85 dB,由此证明优化设计方法得出的图像处理结果质量更高。

基于多注意力的中文命名实体识别

笔者在基于神经网络的命名实体识别基础上,提出了改进的中文命名实体识别方法,通过调整网络中间的部分架构,引入Transformer编码模型,在没有添加文本外部信息的情况下,研究学习文本语句自身含义的方法,通过多注意力的学习增强文本的特征表示,捕捉更多字符间的关系,同时解决了长短期记忆网络不能并行计算的问题,并在企业舆情数据集上进行了实验和测试。与传统方法进行对比,验证了该方法可有效提高中文命名实体识别的准确率。

知识图谱在信贷风控领域的研究及应用

知

基于深度学习的无线网络通信错误数据修复系统

无线网络通信受到数据多重属性因素和信道畸变影响,导致数据错误,为了提高通信稳定性,提出基于深度学习的无线网络通信错误数据修复及系统设计方法。采用通信信号欠采样方法实现对无线网络通信数据感知,在无线网络的信道模型中采用畸变参数提取和压缩感知方法实现对网络通信错误数据特征提取,通过干扰滤波抑制方法,建立无线网络通信错误数据的深度学习模型,根据欠采样和压缩感知理论进行无线网络通信错误数据的特征重构,结合相关性的正交基分解方法实现无线网络通信错误数据修复。在嵌入式的集成开发平台中实现数据修复系统的集成开发设计。测试结果表明,采用该方法进行无线网络通信错误数据修复的召回性较好,提高了无线网络通信的抗干扰能力和纠错能力。

联邦学习技术在金融行业的应用研究

当前明文数据流通带来的数据泄露与滥用问题越来越严重,这对跨域数据融合的机器学习带来了严峻考验。同时人工智能技术发展速度逐步加快,已经在很多领域实现了广泛应用,但受到企业竞争、安全问题和审批流程等因素影响,企业内部数据之间在实现互联互通过程中遇到了很大阻碍,容易引起 “数据孤岛”问题。如何保护数据隐私,是现阶段全世界关注的趋势,为人工智能技术发展带来巨大挑战。联邦学习是一种分布式机器学习技术,具有数据安全与隐私保护功能,在人工智能应用时代下备受各行各业关注。本文首先对联邦学习技术进行概述,然后介绍了联邦学习技术的分类,最后探讨了联邦学习技术在金融行业的具体应用。