人工智能心理学研究的知识图谱分析

借助CitespaceⅢ对选自WoS的人工智能心理学研究文献进行知识图谱探析,结合自动聚类视图与议题标签展现了人工智能心理学领域的6个知识聚类:#0人工智能解决问题议题;#1人工与人类认知共性议题;#2人工智能学习议题;#3人工智能脑科学议题;#4人工智能环境认知议题;#5人工智能表征议题。在深入探究各聚类的核心与热点知识的基础上分析了人工智能心理学发展的各阶段特征:1.上世纪50年代图灵和米勒等人对机器认知与学习等概念的猜想与初探;2.70-90年代纽厄尔、西蒙和莱尔德等人基于模块记忆与层级分析对人工智能信息处理模型的系统性构建;3.本世纪初基于神经生理学的降维数据认知理论的发展;4.当下人工智能贝叶斯大脑与深度学习理论的兴起。     

40万吨级矿石船进出渤海深水航路乘潮问题分析

为保障40万吨级矿石船安全进出曹妃甸港,通过ADCIRC潮位数学模型研究渤海潮波传播规律。结合船舶航行方式,采用多站联合法求取40万吨级矿石船在渤海超长深水航路的乘潮水位。结果表明:40万吨级矿石船在乘潮保证率90%、乘潮时间8 h进入渤海水域的乘潮水位为1. 0 m,乘潮保证率90%、乘潮时间8 h驶出渤海水域的乘潮水位为0. 2 m。可见同一乘潮保证率和时间下的乘潮水位,进入渤海水域明显高于驶出渤海水域;多站联合法确定的进入渤海水域乘潮水位大于单潮站确定的乘潮水位(0. 6 m);驶出渤海水域乘潮水位小于单潮站确定的乘潮水位(0. 7 m)。     

Reverse leakage current in AlGaN-based ultraviolet light-emitting diodes

The reverse leakage characteristics of AlGaNbased ultraviolet light-emitting diodes fabricated on sapphire substrate are studied by temperature-variable current–voltage(I–V)measurement from 300 to 450 K.At low-reverse bias range(0–0.5 V),the reverse leakage current exhibits tunneling characteristics.Meanwhile,under a more negative reverse bias range([0.5 V),the log(I)–log(V)plots exhibit close-to-linear dependency,which is in good agreement with the transport mechanism of space-charge limited current.A phenomenological leakage current model focusing on electron transmission primarily through continuous defect band formed by linear defects like dislocations is suggested to explain the reverse current–voltage characteristics.     

大直径扩底人工挖孔桩承载力研究

依托武汉某工程实例,对大直径扩底人工挖孔桩承载力进行了研究,通过岩石极限单轴抗压强度室内试验和深层载荷板试验确定持力层的承载力特征值,采用规范提供的计算公式,用两套试验参数对单桩承载力进行预估,并通过现场单桩载荷试验对计算结果进行验证。研究表明:深层载荷板试验参数预估单桩承载力特征值,明显大于岩石极限单轴抗压强度室内试验计算值,且前者与单桩静载荷试验结果更为接近,可准确预估单桩承载力,进而为后续大直径扩底挖孔桩设计提供可靠参考。     

基于生成型深信度网络的回归算法鲁棒性分析

目前,深度学习在分类问题中取得了很多很好的效果,并开始在部分回归任务得到应用。然而,绝大部分研究重点都集中在相对其他回归算法的预报精度上,而忽视了有实际应用需求的回归算法预报鲁棒性问题。首先基于受限的玻尔兹曼机建立了一个具有3个隐含层的生成型深信度网络多步预测模型;然后,建立了基于单隐含层神经网络、三个隐含层的神经网络以及单核支持向量的典型多步预测模型,并利用4组宁夏地区不同季节的风速数据进行回归算法的稳定性对比实验。实验结果显示,基于受限玻尔兹曼机建立的具有三个隐含层的深信度网络模型的多步预报误差的均值和方差都是最小的。因此,基于生成型深信度网络的回归模型不仅预报精度高,而且此预报算法的鲁棒性也比较好;相对其他三种典型回归算法来说,可以更好地满足风电场风速预报问题的实际工程应用需求。     

一种改进Mask R-CNN的运动目标定位方法

针对在复杂场景下传统算法对运动目标分类精度不高且无法直接输出关键点空间坐标这一问题,本文提出了一种基于改进Mask R-CNN的运动目标定位方法。该方法在TensorFlow 框架下采用自制数据集预训练提取多尺度的卷积,将采集到的网络视频流通过RoIAlign算法处理获得像素级的特征并匹配SIFT特征点建立空间坐标系统,在空间约束下结合Kalman filtering补偿运动轨迹,通过投影变换矩阵将像素坐标转换为世界坐标。实验表明该方法提高了模型在干扰背景下的鲁棒性,平均误差在8cm以内,实现了在复杂场景下可以获得实时高精度的定位信息。     

基于时效信息和深度学习的离港航班延误预测

针对离港航班延误预测问题,利用深度神经网络模型,结合时效航班信息数据和时效气象数据,提出了一种基于时效信息和深度学习的离港航班延误预测模型。利用真实数据开展数值试验,结果表明了所构建的延误预测模型可以在较短时间内获得较高的航班延误预测精度,并且具有较大的航班延误预测时效;同时随着延误时间阈值的增加,预测精度不断提高,损失值不断降低;尤其以60分钟为阈值时,模型的预测精度可以达到91.26%,说明了模型的有效性。     

基于检测图像的排水管道缺陷智能辅助分类方法

针对当前地下管网CCTV检测缺陷中存在自动化程度偏低及依赖专业人员技术水平的问题,综合采用图像处理和深度学习技术构建了辅助检测人员快速、准确地识别管道缺陷类型的智能方法。首先,收集十类典型缺陷图像,对其进行图像处理生成样本集;在此基础上,以深度卷积神经网络AlexNet和ResNet50为基础框架,使用预训练AlexNet和ResNet50网络迁移学习管道缺陷特征,通过敏感性分析优化了分类网络参数,然后,通过测试集验证了管道缺陷智能分类模型的准确性,并结合具体工程实例验证建立方法的有效性。结果表明：两类管道缺陷智能分类模型在测试集上分别达到92.00%和96.50%的准确率,实际工程实例准确率达到了85.41%和87.94%,且ResNet50的分类效果更优,具有较好工程适应性。图像处理和深度学习技术可提高排水管道缺陷分类的自动化与准确率,值得进一步进行推广。     

上海某基坑降水三维渗流模拟

根据降水试验反演得到的含水层水文地质参数,采取按需降水的方法对工程开挖过程中所需降水水位进行设计计算以减小降水对基坑周边环境的影响,通过三维数值模拟方法得到水位随时间的变化与实际监测数据进行对比,得到较好结果。