基于电力领域知识图谱的智慧客服系统研究

针对现有知识图谱电力客服系统存在应用数据相对封闭、数据管理低效、图谱表示单一、规则表示困难及抽样本稀少等问题,设计了一个基于电力领域知识图谱的智慧客服系统。该系统由在线客服、信息解析、知识匹配、意图识别、业务处理及交互等模块组成,利用领域知识图谱技术构建电力客服领域知识库,运用结构化方式呈现电力客服中概念、实体、事件之间的关系,并融合自然语言技术和深度学习算法实现系统智能问答,最后通过系统测试验证系统的有效性,为智慧电力客服系统设计与实现提供参考。     

基于多媒体手段的智能客服系统研究简

为提高企业客服质量,提高用户满意度,我们在企业网页建立基于多媒体手段的智能客服系统,将智能机器人及人工座席客服模块有效融合,使客服系统得到有力支撑。我们主要对这种多媒体智能客服的整体构架及系统功能进行详细论述。     

基于LSTM深度学习模型的中国电信官方微博用户情绪分析

中国电信官方微博（简称电信官微）作为一种互联网媒体,是中国电信对外发布信息并获取用户反馈的重要渠道。用户对电信官微消息内容的评论,反映了用户对中国电信品牌、产品和服务的不同态度。爬取了电信官微的消息内容和评论数据,对经过清洗的数据采用Word2vec进行文本信息表示,并使用深度学习平台基于LSTM深度神经网络模型进行用户交互文本的正负面情感分类,实现电信官微访问用户情绪分析。     

一种基于深度学习的智能威胁评估算法

在现代信息化战争中依据战场态势变化进行合理威胁评估，对实现指挥系统自动化具有重要意义。为了克服传统规则算法评估能力的局限，设计了一种基于深度学习的新型智能威胁评估算法。首先设定了防空威胁评估指标选取原则，在此基础上从多个不同角度出发建立了反映空中目标威胁的指标体系，然后构建深度神经网络模型予以解决。新算法的优点在于威胁评估快速可信、易于实现，且对于不断变化的空情威胁可进行持续更新优化。最后，通过典型作战场景的仿真数据验证了模型的有效性和可行性。     

基于深度学习的视频缓存算法

在视频深度学习环境下,要提高用户体验就必须在视频访问速度方面做文章。而对视频访问速度的快慢产生影响的主要因素有两个:服务器响应速度和网络传输效率,但服务器响应用户请求的速度更是重中之重。目前,在视频深度学习环境下,采用缓存技术是提升用户访问速度的一个有效手段,也被业界广泛关注,并进行了实际的应用探索。当前,主要的经典算法有LFU、LRU、LRf U、sc等,本文对他们进行了简单的介绍,着重就LFU、LRU算法作了重点的分析研究,并通过某运营商提供的实际运行数据与在视频深度学习环境下获得的模拟数据开展实证比对分析,观察各算法的实际表现。从各算法的应用结果的具体情况出发,研究视频深度学习环境下所应采用的缓存算法策略,进而为提高视频深度学习系统的缓存命中率寻求理论研究根据。     

基于SAC的多智能体深度强化学习算法

由于多智能体所处环境动态变化,并且单个智能体的决策也会影响其他智能体,这使得单智能体深度强化学习算法难以在多智能体环境中保持稳定.为了适应多智能体环境,本文利用集中训练和分散执行框架Cen-tralized Training with Decentralized Execution(CTDE),对单智能体深度强化学习算法Soft Actor-Critic(SAC)进行了改进,引入智能体通信机制,构建Multi-Agent Soft Actor-Critic(MASAC)算法.MASAC中智能体共享观察信息和历史经验,有效减少了环境不稳定性对算法造成的影响.最后,本文在协同以及协同竞争混合的任务中,对MASAC算法性能进行了实验分析,结果表明MASAC相对于SAC在多智能体环境中具有更好的稳定性.     

基于深度学习的人脸识别算法浅析

相较于指纹识别、虹膜识别、声纹识别,人脸识别具有自然、便捷、体验友好的特征,成为大多数人认可的生物识别技术。近年来,随着GPU技术的成熟和数据集规模越来越大,让人脸识别技术的关注方向从基于手工特征的传统方法和传统的机器学习技术转移到使用大数据集训练的深度神经网络。现在,基于深度学习的人脸识别技术在人证比对、实名认证、人机交互、考勤、安防、美颜、趣味拍照、直播、微动作识别(疲劳驾驶、课堂听讲、罪犯审判)等领域得到了广泛的关注。文章首先简述人脸识别的发展历程,之后从深度学习方法、人脸数据集、网络结构、损失函数这四个方面,对目前流行的基于深度学习方法的人脸识别技术做一个较为详细的综述。     

一种基于深度学习的交通标志识别新算法

针对特定场景交通标志精度低与识别速度慢的问题,基于交通标志边缘信息与卷积神经网络,提出了一种交通标志图像识别T-YOLO算法.该算法基于YOLOv2算法检测思想,融合残差网络、卷积层填充0等结构,下采样舍弃池化层改用卷积层,并提取边缘信息与上采样以提升精度,设计7层特征提取网络以缩短识别速度,随后使用Softmax函数...     

基于深度学习算法的智能视觉环卫小车设计

自2012年以深度学习为代表的AI构架突破图像分类极限以来,AI视觉已能适应变化的外部视觉环境,文章将AI视觉与智能小车等技术结合起来,采取智能机器视觉与红外屏障实现对外界的感知获取,实现智能移动工作;同时以5G通信实现实时智慧对各机器进行远程实时在线跟踪监控管理,打造一款智能环卫小车,可更高能效和安全地对区域卫生进行...     

多种因素向量化的客服工单智能排序应用

客服工单作为互联网行业客户最重要的接触点,智能化、智慧化处理成为各行业重点关注并亟待解决的主要问题,工单的智能排序为解决这一问题提供了可行化应用探索。人工智能及大数据的飞速发展给解决此类问题提供了新的方向和契机。首先分析了客服工单智能化排序的需求背景,在此基础上对实现客服工单智能化排序的主要方法和实现过程进行了分析,阐述了基于多因素向量化客服工单智能排序的应用探索。     

基于深度学习的实时DDoS攻击检测

分布式拒绝服务(DDoS)攻击是一种分布式、协作式的大规模网络攻击方式,提出了一种基于深度学习的DDoS攻击检测方法,该方法包含特征处理和模型检测两个阶段:特征处理阶段对输入的数据分组进行特征提取、格式转换和维度重构;模型检测阶段将处理后的特征输入深度学习网络模型进行检测,判断输入的数据分组是否为DDoS攻击分组.通过ISCX2012数据集训练模型,并通过实时的DDoS攻击对模型进行验证.结果表明,基于深度学习的DDoS攻击检测方法具有高检测精度、对软硬件设备依赖小、深度学习网络模型易于更新等优点.     

基于深度学习的乳液泵缺陷检测算法

为了实现对工业产品乳液泵的缺陷检测,本文采集泵顶、泵上端、泵下端、尾管4个角度的样本图像,并基于深度学习中迁移学习和卷积神经网络的原理分别构建各角度的分类模型以检测缺陷样本。首先,使用Mini-ImageNet数据集预训练网络模型。然后,调整模型结构并加载预训练网络的参数,并将乳液泵各角度的训练集和验证集经过图像预处理算法后输入至卷积神经网络中训练,根据训练过程中验证集准确率的变化调整网络超参数,得到最终网络模型。最后,将预处理后的乳液泵测试样本输入至训练好的模型中,检测最终模型的缺陷识别效果。最终4个角度检测准确率均在93%以上,单样本检测用时为2.52s,优于传统方法。本文算法可用于设计乳液泵缺陷检测系统,该系统能与工业结构相结合筛选出有缺陷的泵体,也可拓展到工业其他物件的缺陷检测。     

人工智能在客服系统的应用及关键技术

客服体系架构中,人工坐席、工单处理等环节需要大量的人工操作,成本较高,效率相对较低,而且会有一定比例的问题及故障无法找到责任方甚至无法解决。在客服体系中,引入人工智能技术后,在一定程度上可以解决这些问题,降低成本并提高客服的整体效率和效果。分析了人工智能应用于客服体系的关键技术,包括语音识别、语音合成、自然语言处理等。就新技术在运营商客服体系中的应用进行了探讨,并通过简单实例阐述了在实际应用时的效果。     

基于深度学习的流量工程算法研究与应用

随着5G网络的发展和应用,网络中的业务数量呈现出爆发式增长,网络中的带宽资源日趋紧张。为了提高网络资源利用率,并满足用户日益提高的业务服务质量要求,基于软件定义网络(SDN)提出了一种基于深度学习的流量工程算法(DL-TEA)。通过仿真证明该算法不仅能够实时地为业务计算一条高效的路径,同时还能够提升业务的QoS、网络资源利用率,降低网络阻塞率。     

An online power allocation algorithm based on deep reinforcement learning in multibeam satellite systems

Dynamic power allocation (DPA) is the key technique to improve the system throughput by matching the offered capacity with that required among distributed beams in multibeam satellite systems. Existing power allocation studies tend to adopt the metaheuristic optimization algorithms such as the genetic algorithm. The achieved DPA cannot adapt to the dynamic environments due to the varying traffic demands and the channel conditions. To solve this problem, an online algorithm named deep reinforcement learning‐based dynamic power allocation (DRL‐DPA) algorithm is proposed in this paper. The key idea of the proposed DRL‐DPA lies in the online power allocation decision making other than the offline way of the traditional metaheuristic methods. Simulation results show that the proposed DRL‐DPA algorithm can improve the system performance in terms of system throughput and power consumption in multibeam satellite systems.     

基于LBP和深度学习的手写签名识别算法

为优化手写签名识别算法性能,提出了一种局部二值模式(LBP)和深度学习相结合的手写签名识别算法.针对签名图像进行预处理、维纳滤波去除噪声;将预处理签名图像分为3×4子块,LBP应用于分块后的每个子图像,并将每个子块的纹理直方图特征连接起来,形成全局直方图特征;将得到的特征向量作为深度信念网络(DBN)的输入,逐层训练网络,并在顶层形成分类面,对签名图片进行识别.基于GPDS、MCYT及原创数据库进行实验,识别率误差分别为5.S5％、9.3％、1.17％,有效提高了手写签名的识别精度,符合实际应用的要求.     

基于深度强化学习的智能决策方法

针对传统深度强化学习算法难以快速解决长时序复杂任务的问题,提出了一种引入历史信息和人类知识的深度强化学习方法,对经典近端策略优化(Proximal Policy Optimization, PPO)强化学习算法进行改进,在状态空间引入历史状态以反映环境的时序变化特征,在策略模型中基于人类认知增加无效动作掩膜,禁止智能体进行无效探索,提高探索效率,从而提升模型的训练性能。仿真结果表明,所提方法能够有效解决长时序复杂任务的智能决策问题,相比传统的深度强化学习算法可显著提高模型收敛效果。     

基于深度学习的图像目标检测算法综述

图像目标检测是找出图像中感兴趣的目标，并确定他们的类别和位置，是当前计算机视觉领域的研究热点。近年来，由于深度学习在图像分类方面的准确度明显提高，基于深度学习的图像目标检测模型逐渐成为主流。首先介绍了图像目标检测模型中常用的卷积神经网络；然后，重点从候选区域、回归和anchor-free方法的角度对现有经典的图像目标检测模型进行综述；最后，根据在公共数据集上的检测结果分析模型的优势和缺点，总结了图像目标检测研究中存在的问题并对未来发展做出展望。