人工智能技术在移动终端自动化测试中的应用

移动终端自动化测试过程中会出现如下问题:坐标点击方案由于版本迭代频繁需要脚本不断适配;UI界面为图片时因元素属性无法识别不能进行UI控制操作;通过图像匹配的识别方法进行用户模拟操作时无法提取文字信息进行结果分析等。为解决这些问题,基于Python语言编程平台,使用卷积神经网络文字图像识别计算模型,通过不断调整输入属性参数值、阈值等,对输出结果进行验证。实验结果表明,基于卷积神经网络的文字图像识别计算模型可实现图像文字识别功能。该算法不仅能快速有效处理海量数据,而且能有效降低人工经验中存在的误差,解决图像文字识别问题,提升识别效率,进而提升自动化测试效率。

基于深度Q学习的蜂窝车联网边路资源分配算法

针对蜂窝车联网系统中不同优先级业务的边路资源自主选择分配,分析了基于参考信号能量的自主选择算法流程,设计了能量门限方程;针对能量方程参数估计问题,将基于能量的自主选择算法与深度Q学习算法结合,通过有限次算法迭代得到能量门限方程的最优参数值。仿真结果表明,基于深度Q学习的边路资源分配算法可以满足不同优先级车联网业务的边路资源需求,同时提高系统分组接收率。

规则驱动的Android应用DFS测试技术

GUI自动化测试是Android应用研究领域的重要组成部分,针对Android应用的GUI测试技术得到了广泛的研究。其中,基于DFS算法的GUI遍历测试技术得到了广泛的应用。然而,现有的DFS测试技术却仍然具有效率低下、覆盖率较低的问题。文中提出了结合外部预定义规则来驱动DFS自动化遍历的改进方法,以提高DFS自动化遍历的效率和覆盖率;基于规则驱动的改进方法实现了RDTA测试工具,进行了与Monkey以及无规则驱动下的DFS的对比实验,验证了该方法的有效性。

结合模糊C均值聚类和边缘检测算法的彩色图像分割

图像分割是计算机视觉的最核心技术之一,是图像处理到图像分析的关键步骤.深入研究了C均值聚类分割算法,该算法已广泛应用于彩色图像分割领域,在真实彩色图像分割中,由于C均值的初始化对分割效果有很大影响,故对C均值分割算法进行改进.然后引入边缘检测算法以及RGB彩色模型,对边缘检测算子Roberts、Sobel算子和Prewitt算子进行了研究,对Sobel算子进行改进,对模糊聚类算法的分割结果进行进一步处理,通过在合成图像上及大量真实自然彩色图像上进行实验,结果证明通过C均值聚类和边缘检测算法相结合,能够有效提高分割结果的准确性.最后对彩色图像分割技术将来的发展方向进行了展望.

基于改进DBSCAN的移动用户兴趣点提取方法

针对移动智能手机用户历史轨迹数据的兴趣点提取问题,提出一种改进的DBSCAN聚类算法,利用采集到的经纬度数据,以及经纬度数据所对应时间的差值来确定邻域半径和最小阈值的方法,提取用户历史兴趣点。结果表明,该算法可以解决移动用户历史兴趣点的提取问题,实验证明该方法的有效性及可行性。

基于Relieft特征加权的C均值聚类算法的研究和改进

图像分割是图像处理到图像分析的最关键步骤.首先,研究C均值的聚类算法并阐述与其相关的概念,分析该聚类方法的基本原理和聚类准则.然后,针对该算法的优缺点以及存在的不足之处,对C均值聚类算法进行改进,将Relieft技术引进,由于图像分割时涉及众多特征,改进算法的核心就在于特征提取时进行加权处理,最终设计出有效的、鲁棒性好的彩色图像分割的流程.最后,通过大量的实验,将改进前后的C均值图像分割算法的分割结果进行比较,改进后的聚类算法能够实现更加优秀的图像分割结果;通过将实验对象置于不同的环境下的实验数据的统计,可以验证改进后分割算法的鲁棒性更好.

传统企业移动互联网时代下的产品研发项目管理

分析了移动互联网时代的嵌入式电子消费品领域产品研发的新特点,以及在目前大多数传统企业现有的矩阵式组织结构下,特别是多个产品并行研发时,项目运作上遇到的问题。提出了移动互联网时代下的产品研发项目管理方案,以多款智能手机产品研发项目管理为例,给出了基于该方案的工具和实战应用。