基于深度神经网络的工单采集模型研究

提出了一种面向工单采集特定场景下的多轮对话模型,实现了机器人自动收集工单的功能。首先,该模型利用卷积神经网络(CNN)将用户输入句子转化成向量,利用信息网络来收集客户咨询的关键性信息,然后用双层长短期记忆网络(LSTM)来记忆上下文信息及管理会话流程,最后采用分类器来预测机器人的回复。实验结果表明,该模型与seq2seq模型相比,需要的训练数据较少,工单完成率高,即使中间信息采集存在误差,最终也可以准确地完成工单的采集。     

仿生机器鱼运动学模型优化与实验

以仿生学为基础的机器鱼是一种新型水下机器人,具有高速、高效、节能等方面优势。为进一步探索仿生机器鱼的运动机理,指出了当前仿生机器鱼运动学模型存在的不足,即未考虑因制造、鱼体结构的影响,而产生的头部左右摆动。故在考虑仿生机器鱼头部摆动的情况下,构建头部摆动方程,引入摆动偏移量,修正其运动学模型。利用MATLAB对模型进行优化,分析结果表明修正后的运动学模型更能够描述实体仿生机器鱼的游动特性。最后,将修正后的运动学模型,运用到三关节仿生机器鱼上进行实验,结果表明,该模型能够有效地抑制仿生机器鱼头部摆动,进而提高了仿生机器鱼的游动速度。