面向动态事件流的神经网络转换方法

针对基于权重归一化方法的卷积神经网络（CNN）转换方法应用于事件流数据时准确率损失较大以及浮点网络难以在硬件上高效部署等问题,提出一种面向动态事件流的网络转换方法。首先,重构事件流数据并输入CNN进行训练,在训练过程中采用量化激活函数降低转换的准确率损失,并使用对称定点量化方法以减少参数存储量;其次,在网络转换中采用脉冲计数等价原理而非频率等价原理以更好地适应数据的稀疏性。实验结果表明,与使用传统激活函数相比,采用量化激活函数的脉冲卷积神经网络（SCNN）在N-MNIST、POKER-DVS和MNIST-DVS这三个动态事件流数据集上的识别准确率分别提高了0.29个百分点、8.52个百分点和3.95个百分点,转换损失分别降低了21.77%、100.00%和92.48%;此外,相较于基于权重归一化方法生成的高精度SCNN,所提量化SCNN在识别准确率相当的情况下可以有效节省约75%的存储空间,并且在N-MNIST和MNIST-DVS数据集上的转换损失分别降低了6.79%和46.29%。     

汽轮发电机组神经网络故障诊断方法研究

基于机械特性和热参数，简要分析了汽轮发电机组的故障机理，并据此作为故障诊断的依据，研究了椭球单元神经网络故障诊断方法。     

《中国图象图形学报》类脑视觉专栏简介

<正>脑科学研究是21世纪科学研究的前沿高地之一,我国“十四五”规划明确指出要瞄准脑科学、人工智能等前沿领域,实施一批具有前瞻性、战略性的国家重大科技项目。科技部近期发布科技创新2030 “脑科学与类脑研究”重大项目申报指南,标志着中国脑计划项目正式启动。视觉是生物最主要的感知通道,     

多媒体技术研究:2015——类脑计算的研究进展与发展趋势

目的 类脑计算,是指仿真、模拟和借鉴大脑神经网络结构和信息处理过程的装置、模型和方法,其目标是制造类脑计算机和类脑智能。方法 类脑计算相关研究已经有20多年的历史,本文从模拟生物神经元和神经突触的神经形态器件、神经网络芯片、类脑计算模型与应用等方面对国内外研究进展和面临的挑战进行介绍,并对未来的发展趋势进行展望。结果 与经典人工智能符号主义、连接主义、行为主义以及机器学习的统计主义这些技术路线不同,类脑计算采取仿真主义：结构层次模仿脑（非冯·诺依曼体系结构）,器件层次逼近脑（模拟神经元和神经突触的神经形态器件）,智能层次超越脑（主要靠自主学习训练而不是人工编程）。结论 目前类脑计算离工业界实际应用还有较大差距,这也为研究者提供了重要研究方向与机遇。     

电力系统中的人工智能技术应用研究

分析了适于AI应用的电力系统问题,并概括介绍了其中4种应用广泛的人工智能技 术,最后指出AI在电力系统中的应用发展趋势和应用前景。     

人工智能技术( AI) 在电力系统中的应用研究

人工智能技术被广泛地应用于求解非线性问题,较之于传统方法有着不可替代的优势。在电力系统中人工智能技术在控制、管理及规划等各个领域中发挥着重要作用。专家系统、人工神经网络、模糊集理论、启发式搜索等人工智能技术在电力系统有着广泛的应用,在将这些较成熟技术实用化的同时,应进行多种智能技术的研究和探索。