搜索结果: 31-45 共查到“知识库 计算机科学技术”相关记录38375条 . 查询时间(2.14 秒)
林升栋等:媒介化视域下在线教学的问题与对策
媒介化视域 在线教学 知识传播
2024/1/2
近些年,联邦学习(Federated learning,FL)由于能够打破数据壁垒,实现孤岛数据价值变现,受到了工业界和学术界的广泛关注.然而,在实际工程应用中,联邦学习存在着数据隐私泄露和模型性能损失的问题.为此,首先对这两个问题进行数学描述与分析.然后,提出一种自适应模型聚合方案,该方案能够设定各参与者的Mini-batch值和自适应调整全局模型聚合间隔,旨在保证模型精度的同时,提高联邦学习训...
一种基于随机权神经网络的类增量学习与记忆融合方法
连续学习 灾难性遗忘 随机权神经网络 再可塑性启发
2024/1/16
连续学习(Continual learning,CL)多个任务的能力对于通用人工智能的发展至关重要.现有人工神经网络(Artificial neural networks,ANNs)在单一任务上具有出色表现,但在开放环境中依次面对不同任务时非常容易发生灾难性遗忘现象,即联结主义模型在学习新任务时会迅速地忘记旧任务。
针对城市污水处理过程的非线性、不确定性以及非高斯等特点,提出一种数据驱动的溶解氧(Dissolved oxygen,DO)浓度在线自组织控制方法.首先,设计一种基于相关熵的自组织模糊神经网络控制器(Correntropy-based self-organizing fuzzy neural network,CSOFNN),采用相关熵与规则贡献度指标实现控制器结构与参数的自动构建或修剪。
针对实际中某种工况滚动轴承带标签振动数据获取困难,健康指标难以构建及寿命预测误差大的问题,提出一种基于无监督深度模型迁移的滚动轴承剩余使用寿命(Remaining useful life,RUL)预测方法.该方法首先对滚动轴承全寿命周期振动数据提取均方根(Root mean square,RMS)特征,并引入新的自下而上(Bottom-up,BUP)时间序列分割算法将特征序列分割为正常期、退化期和...
基于加权矩阵的多维广义特征值并行分解算法
广义特征值分解 加权矩阵 并行分解 多维估计
2024/1/16
针对串行广义特征值分解算法实时性差的缺点,提出基于加权矩阵的多维广义特征值分解算法.与串行算法不同,所提算法能够在一次迭代过程中并行地估计出多维广义特征向量.平稳点分析表明:当且仅当算法中状态矩阵等于所需的广义特征向量时,算法达到收敛状态.通过对比相邻时刻的状态矩阵模值证明了所提算法的自稳定特性.所提算法参数选取简单,实际实施较为容易.数值仿真和实例应用进一步验证了算法的并行性、自稳定性和实用性。
AI分析组织样本准确预测癌症结果(图)
AI分析 癌症 人工智能 鳞状细胞癌
2023/12/18
美国得克萨斯大学西南医学中心研究人员开发了一种新的人工智能(AI)模型,可分析组织样本中细胞的空间排列。2023年12月11日发表在《自然·通讯》上的这一创新方法,准确地预测了癌症患者的结果,标志着在利用AI进行癌症预后和个性化治疗策略方面取得了重大进展。
物理机制神经网络基于失效信息的自适应采样
物理机制 神经网络 失效信息 自适应采样
2023/12/13
唐铮等:生成式人工智能与新闻业:赋能、风险与前瞻
生成式 人工智能 新闻业
2024/1/2
黄楚新:把握规律推进媒体融合纵深发展
规律 媒体融合 纵深发展
2024/1/2
黄楚新:以体制机制创新推动媒体深度融合
体制机制 创新 媒体深度融合
2024/1/2
由于点云的非结构性和无序性,目前已有的点云分类网络在精度上仍然需要进一步提高.通过考虑局部结构的构建、全局特征聚合和损失函数改进三个方面,构造一个有效的点云分类网络.首先,针对点云的非结构性,通过学习中心点特征与近邻点特征之间的关系,为不规则的近邻点分配不同的权重,以此构建局部结构;然后,使用注意力思想,提出加权平均池化(Weighted average pooling,WAP),通过自注意力方式...
高炉料面视频关键帧是视频中的中心气流稳定、清晰、无炉料及粉尘遮挡且特征明显的图像序列,对于及时获取炉内运行状态、指导炉顶布料操作具有重要的意义.然而,由于高炉内部恶劣的冶炼环境及布料的周期性和间歇性等特征,料面视频存在信息冗余、图像质量参差不齐、状态多变等问题,无法直接用于分析处理。
基于语义引导特征聚合的显著性目标检测网络
显著性目标检测 混合注意力 多层次融合 深度学习
2024/1/16
在显著性目标检测网络的设计中,U型结构使用广泛.但是在U型结构显著性检测方法中,普遍存在空间位置细节丢失和边缘难以细化的问题,针对这些问题,提出一种基于语义信息引导特征聚合的显著性目标检测网络,通过高效的特征聚合来获得精细的显著性图.该网络由混合注意力模块(Mixing attention module,MAM)、增大感受野模块(Enlarged receptive field module,ER...