深度学习和机器学习及模式识别的研究

科学技术的不断进步,带来计算机技术的飞速发展,使得利用计算机实现人工智能成为可能,就是通过计算机去完成过去只有人才能做的智能工作。机器学习是计算机实现智能的重要方式,人工智能的发展离不开机器学习的支撑。深度学习、机器学习和模式识别,是三个非常接近的概念,与当下最热门的科技主题——机器人和人工智能联系紧密。该文分析了深度学习、机器学习和模式识别的相关概念和联系,研究了机器学习的发展历程。     

后深度学习时代的人工智能

<正>1956年,在美国达特茅斯学院举行的一次会议上,人工智能的研究领域正式确立。六十年后的今天,人工智能的发展正进入前所未有的大好时期。通过分析这个时代下人工智能与计算机的发展轨迹,人们可以重新认识人工智能、认识计算机、认识自身。深度学习:跨时代的技术今天,我国的人工智能热潮与30年前日本兴起的人工智能热潮相比,发生了变化——时间不同、地点不同、主题也不同。这次人工智能的大发展与深度学习紧密相关,     

论人工智能科学中的机器学习

本文首先提出机器学习是人工智能科学中提高机器智能水平的唯一途径。只有不断完善机器的学习功能，才能使机器接近或超过人类和智能水平，提出了机器的学习方法和分类，指出机器学习的发展必须依靠思维科学的发展。最后，提出了研究机器学习的目标及意义。     

张钹:后深度学习时代的人工智能

1956年,在美国达特茅斯学院举行的一次会议上,"人工智能"的研究领域正式确立.六十年后的今天,人工智能的发展正进入前所未有的大好时期.通过分析这个时代下人工智能与计算机的发展轨迹,人们可以重新认识人工智能、认识计算机、认识自身.     

机器学习和人工智能辅助钢铁材料设计的研究进展

随着人工智能技术的快速发展和材料数据的显著增加,机器学习和人工智能辅助设计高性能钢材正成为材料科学的主流范式。机器学习方法是一种基于计算机科学、统计学及材料科学之间的跨学科科学,聚焦于发现众多数据之间的相关性。与材料科学中传统的物理建模方法相比,机器学习方法的主要优势在于克服了材料本身复杂的物理机制,为新型高性能材料的研发提供了新的思路。本文从数据预处理和机器学习模型的介绍开始,包括算法选择和模型评估。然后,以优化成分、结构、工艺和性能为主题,回顾了机器学习方法在钢铁研究领域应用的一些典型案例。此外,还介绍了机器学习方法在以性能为导向的材料成分逆向设计工程以及在钢材缺陷检测领域中的应用。最后,探讨了机器学习在材料领域的适用性和局限性,并对未来的发展方向和前景进行了展望。     

机器学习算法在人工智能中的应用

<正>在人工智能领域,机器学习算法无疑是核心组成部分,其本质上是统计学的应用。它是一种在分类、预测、随机分布等常见问题上,融合和借鉴统计学理论来进行数据归纳和分析,深度分析数据的内涵、数据背后蕴含的逻辑和规律,从而更加精妙地解决问题的方法。本文从人工智能与机器学习算法的内涵入手,重点对机器学习中的诸多算法进行简单的分析介绍,再举例说明回归算法、决策树、支持向量机、朴素贝叶斯、逻辑回归等常见算法。     

人工智能中的机器学习研究及其应用

机器学习是人工智能研究的中心问题。本文首先介绍了机器学习的背景——人工智能的研究和发展，机器学习的概念。提出了机器学习的研究目标和方法，建立并讨论了一个简单的学习模型。最后指出机器学习的发展必须依靠思维科学的发展，提出了发展机器学习的趋势。     

基于深度学习与传统机器学习的人脸表情识别综述

新时期我国科学技术的快速发展及信息化产业规模的不断扩大,为人机交互领域发展带来了重要的保障作用,并提升了人脸表情识别研究水平。在此背景下,为了确保人脸表情识别有效性,需要注重与之相关的基于深度学习与传统机器学习的研究工作落实。在此基础上,计算机视觉领域的整体发展速度将逐渐加快,且人脸表情识别研究中也将得到更多的支持。因此,本文就基于深度学习与传统机器学习的人脸表情识别展开论述。     

基于深度学习与传统机器学习的人脸表情识别综述

现有的人脸表情识别技术基本局限于传统的机器学习算法,在光照强弱、有遮挡物、姿态变换等情况下,传统的机器学习算法鲁棒性差,难以运用到实际生活中。随着计算机GPU等硬件条件的发展、大数据时代的到来,深度学习在计算机视觉领域备受关注。本文从图像预处理、特征提取、特征分类等方面介绍了传统机器学习算法及其优缺点;从DBN、CNN等主流算法、发展方向、常用开发框架介绍了深度学习算法。最后总结和展望了传统机器学习与深度学习在人脸表情识别上的发展问题与趋势以及后续研究方向。     

从图灵测试到深度学习:人工智能60年

 2015年深度学习和2016年谷歌AlphaGo围棋在世界各国主流媒体上争取报道,也引发了大众对人工智能的兴趣。人工智能在60年前就已经出现并且几经起落,近两年的突破在很大程度上是由于云计算平台的发展。在过去的20年间,人工智能以智能软件代理、推荐系统、数据挖掘、知识管理、深度学习等各种应用层面的分支概念存在。追本溯源,本文概括介绍人工智能过去60年的发展历史。     

人工智能革命“助燃剂”:机器学习

 随着统计建模、基础数学、计算机系统、芯片设计以及应用数学等领域投入的加大,以及神经科学的不断进步,机器学习基础科研领域得以快速发展。作为人工智能的分支之一,机器学习的发展又推动了人工智能的不断进步。机器学习是一种让计算机能够通过经验不断提高自身性能的学科,可使计算机在未事先明确编程的情况下做出正确反应。在过去10年中,机器学习已经在自动驾驶汽车,实用语音识别,有效网络搜索,以及提高人类基因组认识方面带来大量帮助,在数据挖掘、自然语言处理、信贷决策、医学诊断、生物信息学、电力监控、网络入侵检测、天气预报、工业控制等领域也已有广泛的应用。     

一种基于人工智能-深度学习的无线时钟同步算法

基于传统TPSN协议基础上,提出一种结合人工智能-深度学习的无线时钟同步算法,首先利用深度学习不断重复学习的特性,减少误差,抵消时钟漂移的影响和抑制各种随机时延的不确定性,然后通过在Hainan EVK RTLS 3. 0硬件平台上测试,最后实验结果证明本文所提算法比传统TPSN协议获得了更高的时钟同步精度,时钟同步性能得到大幅提升.     

推动人工智能和实体经济深度融合 建设厦门智慧之城

正前言1.人工智能简介人工智能(Artificial Intelligence)是研究计算机模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的技术科学,主要包括计算机实现智能的原理、制造类似于人脑智能的计算机,使计算机能实现更高层次的应用。人工智能的核心技术包括:大数据、云计算、大规模的算法。数据的量级的增长、计算能力的提升、存储的便捷化、数据的可分析程度提高,都在加快人工智能的发展。人工智能产业链可划为三层,即基础层、技术层和应用层。其中,(1)基础层包含硬件存储与计算资源和大数据资源等,芯片、云计算平台、传感器、大数据等均包含在此层中;(2)技术层包含算法、模     

深度学习结构和算法比较分析

Hinton等人提出的深度机器学习,掀起了神经网络研究的又一个浪潮.介绍了深度机器学习的基本概念和基本思想.对于目前比较成熟的深度机器学习结构深度置信网DBNs和约束Boltzmann机(RBM)的结构和无监督贪婪学习算法作了比较详细的介绍和比较,并对算法的改进方向提出了有建设性的意见,对深度机器学习的未来发展方向和目前存在的问题进行了深刻的分析.     

基于机器学习的人体动作深度信息识别方法研究

为了实现人体动作的准确检测识别,提出基于机器学习的人体动作深度信息识别方法,构建人体动作的三维图像采集模型,建立人体动作三维重建图像的表面结构重构模型,结合模糊度特征提取方法对人体动作三维重建图像进行多尺度分解,采用三维空间结构重组的方法进行人体动作细节特征识别,建立人体动作图像的多维分割模型;采用机器学习算法进行人体动作的细节特征分类识别,建立人体动作深度信息的提取和分类模型,在机器算法下实现人体动作的深度信息检测和多维识别。仿真结果表明,采用该方法进行人体动作深度信息识别的准确度较高,特征分辨力较好,具有很好的人体动作信息检测和辨识能力。     

基于机器学习的内涝积水深度预报方法研究

利用2018年6—8月莆田市国家气象观测站的小时雨量数据、荔园路才子路口内涝点的积水深度数据,设计滞后系数和堵塞系数的计算方法.将小时雨量数据、前一时次积水深度、滞后系数和堵塞系数作为影响因子,应用机器学习中岭回归方法建立内涝点积水深度预报方程.通过2018年9月1—30日的积水深度数据以及9月降水过程的积水深度数据对...     

关于智能、思维和人工智能的思考

在计算机科学的众多领域中，人工智能（AI）无疑是最富有挑战性和创造性的一个领域。多少年来，人们梦寐以求是让计算机象人那样会学习以获取解决问题所必需的知识，象人那样具有智能，能够进行创造性的思维。纵观AI发展过程，我们不难看到它既饱尝了成功的欢乐，也经历了争论、批评、阻力的困惑。现在，当面对处于低潮的AI进行思考的时候，我们从AI走过的道路里能够得到什么启示呢？AI要解决的问题是机器智能，什么是智能？怎样才能使机器具有智能？这些理所当然地成为AI工作者面对的问题。1关于图灵试验当谈到智能的时候，不能不涉及…     

人工智能、模糊控制电冰箱

将神经元网络理论及模糊控制理论应用在冰箱控制中。所述方案采用了８０３１单片机系统,先在ＰＣ机上用ＭＡＴＬＡＢ软件训练神经网络得出神经元网络权系数,再通过仿真模糊控制系统得出模糊控制表,然后在单片机系统中实现神经网络计算和模糊控制查表过程。