人工智能基础软硬件架构的关键技术研究

针对当前人工智能技术在军用领域的应用问题和难点,研究基于深度学习技术的军用软硬件架构设计方法,并且结合业内主流的软硬件基础架构,分析在军事应用中涉及的关键技术和解决思路。通过对深度学习模型压缩转化、数据增强和分布式训练等软硬件架构的关键技术研究,设计构建了一站式人工智能开发平台、嵌入式边缘智能计算平台,对军用人工智能提供端到端的训练、部署和测试支撑。该研究可为未来智能无人作战系统提供软硬协同的智能计算解决方案。     

基于数据驱动的云边智能协同综述

随着物联网（IoT）的快速发展，大量在传感器等边缘场景产生的数据需要传输至云节点处理，这带来了极大的传输成本和处理时延，而云边协同为这些问题提供了有效的解决方案。首先，在全面调查和分析云边协同发展过程的基础上，结合当前云边智能协同中的研究思路与进展，重点分析和讨论了云边架构中的数据采集与分析、计算迁移技术以及基于模型的智能优化技术；其次，分别从边缘端和云端深入分析了各种技术在云边智能协同中的作用及应用，并探讨了云边智能协同技术在现实中的应用场景；最后，指出了云边智能协同目前存在的挑战及未来的发展方向。     

深度学习模型中间层特征压缩技术综述

深度学习模型中间层特征压缩作为深度学习领域中一个新兴的研究热点被广泛关注并应用于边端—云端智能协同任务中。针对深度学习模型中间层特征压缩的研究现状,对当前压缩方式中存在的问题进行分析总结。首先,系统地分类阐述了基于图像/视频编解码框架、基于特征通道比特分配和基于深度学习网络结构的三种深度学习模型中间层特征压缩方式;随后,对比了三种深度学习模型中间层特征压缩方式在数据集上的表现;最后,探讨了当前深度学习模型中间层特征压缩研究面临的挑战,展望了中间层特征压缩技术未来的发展趋势。     

基于云边协同的煤矿井下尺度自适应目标跟踪方法

煤矿井下监控视频中的运动目标通常存在较大的尺度变化和形变,导致基于计算机视觉的目标跟踪算法准确率不高,且海量的视频数据导致基于云端的集中式数据处理方式难以满足目标跟踪的实时性要求。针对上述问题,提出了一种基于云边协同的煤矿井下尺度自适应目标跟踪方法。设计了基于深度估计的尺度自适应目标跟踪算法,通过构建深度-尺度估计模型,利用目标深度值估计尺度值,实现尺度自适应目标跟踪,解决了目标尺度变化和形变导致跟踪准确率不高的问题;设计了一种基于云边协同的智能监控系统架构,将尺度自适应目标跟踪算法细粒度划分后的子模块按所需计算资源分别部署在系统的边缘端和云端,通过边缘端和云端的分布式并行处理提高算法运行效率,解决了集中式数据处理方式实时性差的问题。将基于云边协同的煤矿井下尺度自适应目标跟踪方法应用于煤矿井下视频序列,对其跟踪性能和实时性能进行实验验证,结果表明：与核相关滤波（KCF）、判别型尺度空间跟踪（DSST）算法、基于多特征融合的尺度自适应（SAMF）算法3种经典目标跟踪算法相比,基于深度估计的尺度自适应目标跟踪算法在煤矿井下目标出现较大尺度变化和形变时,具有更高的跟踪精度和成功率;与传统的云...     

云边协同综述

在物联网、大流量等场景下,传统的云计算具有强大的资源服务能力的优点和远距离传输的缺点,而新兴的边缘计算具有低传输时延的优点和资源受限的缺点,因此,结合了云计算与边缘计算优点的云边协同引起了研究者的广泛关注。在全面调查和分析云边协同相关文献的基础上,文中重点分析和讨论了资源协同、数据协同、智能协同、业务编排协同、应用管理协同和服务协同等协同技术的实现原理和研究思路与进展。然后分别从云端和边缘端深入分析了各种协同技术在协同中所起的作用以及具体的使用方法,并从时延、能耗以及其他性能指标方面对结果进行了对比分析。最后指出了云边协同目前存在的挑战和未来的发展方向。本综述有望为云边协同的研究提供有益的参考。     

面向电网PMU时序数据的云边协同技术

相量测量单元(phasor measurement unit, PMU)时序数据在支撑电网安全稳定运行中发挥了重要作用, 而随着电网调控云建设, 电网运行数据统计分析等业务对PMU时序数据的云端共享提出了需求. 本文提出了一种面向PMU时序数据的云边协同技术, 该技术针对PMU时序数据的存储和访问特性, 构建数据协同模型架构, 实现PMU时序数据从电网调度系统生产控制区边缘节点汇集到调控云, 并通过模型化的方式进行共享. 通过在测试环境下进行实施和测试, 验证了该技术的可行性.     

一款人工智能芯片上FCOS模型的应用研究

人工智能芯片是专门用于高效执行人工智能计算任务的芯片。中国电子科技集团公司第三十八所研制了一款针对边缘侧深度学习模型推理计算的人工智能芯片,主要面向雷达图像目标识别、色选机图像智能处理等应用。该芯片是一个异构的SOC芯片,由中央处理核心、神经网络加速核通过片上总线互联形成,峰值算力达到16TOPS(INT8)。FCOS模型是一个先进的单阶段无锚框目标检测深度学习模型,该模型首次提出的核心原理已经被一些新的目标检测网络模型采用。该文研究FCOS深度学习模型在该人工智能芯片上的部署,并研究片上存储器大小、DDR带宽、DDR配置、算力、数据类型等因素对FCOS深度学习模型部署的性能和检测效果的影响。可以为深度学习模型部署技术研究人员、人工智能芯片设计人员提供参考。     

面向智能制造的工业机器人健康评估方法

以智能制造领域中最具有代表性的设备——工业机器人——为研究对象,针对其精度退化及设备故障问题,研究了工业机器人健康评估问题．首先,对工业机器人核心部件进行了失效模式及影响分析,并对现有工业机器人健康评估方法进行了综述．其次,提出了基于边－云协同和深度学习的工业机器人健康评估框架．在边缘层应用基于群组聚类和对等比较的方法进行异常检测,快速识别出发生异常的设备;在云端借助故障预测与健康管理技术以及人工智能算法对发生异常的设备进行深度健康评估．最后,对基于深度学习的工业机器人健康评估方法进行了展望．     

云边协同的工业生产线数据采集与处理研究

针对工业生产线底层大量终端设备在运行过程中产生海量数据而导致云服务器数据处理能力不足和延时较大的问题，引入云边协同的方式进行工业生产线海量数据的采集、传输、处理，并通过边缘智能设备实现任务的卸载、调度、处理，提高数据处理效率，缩短数据传输时延。通过数据模拟采集分析、实况数据采集、传输测试，发现本方案可以提高数据处理效率，并减轻云端负担，具有较好的可行性和应用前景。     

软件定义车联网云边端协同一体化架构的研究

随着自动驾驶、智能网联汽车和智能交通系统的发展，车联网的应用场景也越来越丰富。本文经过循序渐进地分析，提出软件定义云边端协同一体化车联网架构。为了适应车联网的高移动性、实时性、流量剧烈增减和网络异构等特点，提出基于KubeEdge框架的车联网系统管理架构，并系统介绍KubeEdge的组成和云边消息传递机制。该架构将Docker容器、Kubernetes与车载智能设备、路边智能设备相结合，并对KubeEdge框架的云端、边端和云边端消息传递进行“本土化”改造，可作为车联网未来发展思路和路径之一。     

基于云边协同的车间能源管理系统

本文提出了基于云边协同的能源管理系统。此系统面向车间生产制造过程,可以实现各类能源信息连接、互通,可以打破信息隔离,帮助管理者监控能源消耗情况、分析能源使用特征,从而更好地实现“双碳达标”的目标。此系统采用云边协同架构,分为边缘端和云端两部分：边缘端使用自研的边缘控制器组成集群,云端搭建边缘云（私有云）平台;同时,此系统按照功能划分为三层：采集层、分析层、应用层。最后,此系统方案在中国航空制造技术研究院的生产现场进行了应用验证。结果表明,该架构能够降低能源设备接入和管理难度,能够提升数据处理速度和应用响应速度,能够减轻网络传输的负担和边缘存储的压力。通过应用本能源管理系统,提高了车间能源利用率,减少了资源浪费,保证了生产用能安全。     

基于通道注意力与密集连接机制的道路裂缝识别方法研究

随着人工智能的急速发展,以深度学习为代表的各类人工智能算法开始应用在道路裂缝检测领域中.本文介绍了一种基于通道注意力与密集连接机制的道路裂缝检测网络DenseNet-SE及其变体DenseNet-NSE,并将该方法与现存技术进行了测试和分析.实验结果表明,DenseNet-SE与DenseNet-NSE能够提高模型的泛...     

端边云协同的PID整定智能系统

本文在分析智能制造对PID整定的新需求及PID整定面临的挑战难题的基础上,将自动化的建模、控制与优化和人工智能的深度学习与强化学习深度融合与协同,提出了自适应与自主的PID整定的智能优化方法,包括端边云协同的PID控制过程数字孪生模型和强化学习与数字孪生模型相结合的PID整定算法.将工业互联网的端边云协同技术与PLC控制系统相结合,研制了PID整定智能系统,并在重大耗能设备—电熔镁炉成功应用.该系统安全、可靠与优化运行,取得显著的节能减排效果.最后,提出了控制系统智能化研究方向需要进一步深入研究的内容.     

轨道交通AI应用开放平台

业务数据量不足、缺乏AI应用开发专业知识、终端计算能力弱等因素严重制约了我国轨道交通智能化产品的快速工程化落地.为此,文章构建了轨道交通AI应用开放平台,其打通了模型训练、边缘计算、云边协同等关键环节,提供一站式、全流程的AI应用开发解决方案.该平台在云端,从数据标注、算法设计、模型训练及应用生成等多个维度构建AI开发...     

基于深度强化学习的边云协同任务卸载策略

为降低应用程序执行的时延和能耗,针对移动边缘计算环境,提出一种边云协同场景下基于深度强化学习的任务卸载策略。通过建立边云协同架构下的网络模型、通信模型及计算模型,以最小化时延和能耗为系统目标,设计基于深度强化学习的DQN卸载策略,将每个用户产生的任务独立高效地放置在本地、服务器或者云端进行计算,并将计算结果与其它方法进行比较。实验结果表明,相较其它基线算法,该方法能更有效减少任务执行的开销,得到更优的卸载策略。     

深度学习模型压缩与加速综述

随着训练可用数据量的增长与计算平台处理能力的增强，基于深度学习的智能模型能完成越来越复杂的任务，其在计算机视觉、自然语言处理等人工智能领域已经取得重大突破.然而这些深度模型具有庞大的参数规模，与之伴随着可畏的计算开销与内存需求，使得其在计算能力受限平台（例如移动嵌入式设备）的部署中遇到了巨大的困难与挑战，因此如何在不影响深度学习模型性能的情况下进行模型压缩与加速成为研究热点.本文首先对国内外学者提出的经典深度学习模型压缩与加速方法进行分析，从参数剪枝、参数量化、紧凑网络、知识蒸馏、低秩分解、参数共享和混合方式等7个方面分类总结.其次，总结对比几种主流技术的代表性方法在多个公开模型上的压缩与加速效果.最后，对于模型压缩与加速领域的未来研究方向进行展望.     

煤矿智能监测与预警技术研究现状与发展趋势

从物联网、大数据、云计算及人工智能方面综述了我国煤矿智能监测与预警技术的研究现状。针对煤矿智能监测技术的实际应用情况,指出了煤矿智能监测与预警存在井下煤矿监测设备前兆信息采集可靠性差、云端平台集成应用融合深度不够、数据库安全性较弱、人工智能技术在煤矿监测中的应用尚不成熟等问题。展望了煤矿智能监测与预警技术的发展趋势:煤矿智能监测系统应用石墨烯/氧化石墨烯光纤传感器可实现多源信息感知,提升前兆信息采集的可靠性;研究多技术深度交叉融合技术,以探究监测数据的深层价值;构建基于区块链技术的煤矿监测数据库,保证数据库不可篡改,且具有较好的读写性能;研发具备自适应和深度学习的煤矿智能安全监测预警系统,实现矿井自动监测、智能预警。     

基于5G空口授时的智能变电站一体化测试技术研究

智能变电站继电保护调试局限于单体测试，对于跨间隔的智能设备只能分批、逐一测试，缺乏对母线、主变多间隔一体化系统性测试的手段。提出基于5G空口授时的智能变电站一体化测试方法，构建基于云边协同的跨间隔、多智能设备、异域纵联等时空同步性一体化测试体系，采用5G通信技术，打通单体设备测试孤岛；通过5G空口授时，确保智能变电站一体化测试设备的时间同步性，以及通过端设备信号采集与输出、边设备多协议接入、云端统一管理，实现变电站管理者、测试者、测试专家库等优质资源的价值整合，提高测试全面性、针对性、时效性。     

对人工智能在计算机网络技术中的应用探讨

人工智能技术在当今科技信息时代应用非常广泛,各个行业和各个领域都对人工智能非常的关注。日常生活中的智能语音系统、智能语音助手、智能家电等,都是人工智能技术的真正体现。人工智能技术正在逐步进入一定的规模,许多生产企业已经进入半智能半人工的模式,这样的模式促进了社会生产和计算机网络技术的推进。科学技术的飞速发展,使得人工智能在计算机网络技术中得到应用,未来对计算机网络而言,人工智能也朝着人性化和智能化的方向发展。计算机网络技术会通过人工智能手段实现大大的推动,本文从人工智能的角度探索其在计算机网络技术中的应用,希望有助于人工智能的推进。     

深度学习模型可解释性的研究进展

深度学习在很多人工智能应用领域中取得成功的关键原因在于,通过复杂的深层网络模型从海量数据中学习丰富的知识。然而,深度学习模型内部高度的复杂性常导致人们难以理解模型的决策结果,造成深度学习模型的不可解释性,从而限制了模型的实际部署。因此,亟需提高深度学习模型的可解释性,使模型透明化,以推动人工智能领域研究的发展。本文旨在对深度学习模型可解释性的研究进展进行系统性的调研,从可解释性原理的角度对现有方法进行分类,并且结合可解释性方法在人工智能领域的实际应用,分析目前可解释性研究存在的问题,以及深度学习模型可解释性的发展趋势。为全面掌握模型可解释性的研究进展以及未来的研究方向提供新的思路。