智能电网分代研究

智能电网的分代研究有助于把握和引导智能电网的发展趋势。文章首先从人类智能出发,溯源了智能电网的智能本质,分析了人类智能的发展阶段,指出人工智能是对人类智能的模拟、延伸和扩展,智能电网是人工智能在传统电网中的应用;其次,在智能电网的本质基础上,提出了智能电网分代的原则和标准,建立了智能电网分代模型,并将智能电网划分为自感知、自适应、自趋优三代智能电网;最后,探讨了智能电网分代的社会经济意义。     

浅谈智能电网的发展

智能电网是经济和技术发展的必然结果。文章简述和分析了智能电网的概念、特性和发展智能电网的驱动力,总结智能电网技术的国内外研究现状以及发展智能电网对中国的重要意义,分析了我国发展智能电网的重要环节,推进智能电网技术的研究和应用。     

设备级智能

当今时代,智能似乎无所不在：智能汽车、智能用具、智能玩具。如此,工业自动化和工业控制领域智能的飞速发展,也并不令人惊讶了。智能电机、智能传感器、智能流量计只可谓沧海一粟,大量的器件植入了微处理器,将工业推进至一个时代,一个拥有前所未有的产品和系统性能的时代。     

基于DCOM的动态运输调度多智能体系统研究*

针对物流运输调度中的客户需求动态性和随机性问题的解决,设计了一种基于DCOM的动态运输调度多智能体系统。在多智能体系统中,设计了包括预规划智能体、实时监控智能体、决策智能体和车辆智能体四类智能体。智能体以DCOM式组件形式实现,智能体之间的通信和协调由决策智能体集中执行。通过一个实例验证了系统算法的有效性,同时也为动态运输调度问题的解决提供了一个可参考的思路。     

一种基于分布式智能的网络机器人系统

提出了一种基于网络智能的分布式智能体系,构建并实现了基于分布式智能的网络机器人系统．通过赋予传感器以智能,将网络环境中的不同个体抽象为不同的智能节点．传感智能节点处理和传输多种层次的传感信息,实现传感智能的交互与共享．机器人节点以自主感知能力和“网络即插即用”机制为基础,根据任务的需要以及网络的传输状况,主动从网络中获取相应层次的智能和信息．实验表明,该体系有效地减轻了网络通信负担,提高了网络机器人系统的整体性能和智能水平．     

计算Web智能研究综述

计算Web智能是近年来提出的一个崭新的研究方向,它结合了计算智能和Web技术,致力于提高Interrlet和无线网络上电子商务等Web应用的智能化程度。首先分析了计算Web智能的研究背景,然后阐述了计算Web智能的概念和相关技术,概括了计算Web智能当前的主要研究内容和应用,最后展望了计算Web智能未来的研究方向及面临的挑战。     

基于RFID无线传感网智能安防系统的设计

利用RFID和无线传感器网络技术,构建了一种包括智能门禁管理、智能人员管理、智能巡检、智能安防等全方位、多功能的智能安防系统。从系统功能和系统设计实现了基于RFID技术的智能门禁系统和基于传感器网络的信息采集系统,具体给出了从信息采集到智能化管理的实现过程。     

智能视频监控和智能视频分析技术在检察工作中的应用

介绍了智能视频监控和智能视频分析的基本概念、工作原理及相关技术。分析了当前"监视居住"在司法实践中存在的问题。借鉴智能视频监控技术和智能视频分析技术的成熟应用经验,将该技术应用到"监视居住"中。利用智能视频监控技术和智能视频分析技术实现智能检察,为落实检察机关科技强检战略开辟了一条新思路。     

智能集群空间分布特性研究

针对智能集群概念的定义问题,从理论层面进行了智能集群空间分布特性的研究。首先建立了智能集群的边界模型,分别描述了智能集群的最大边界范围模型和个体最小安全范围模型,其次提出了智能集群的密度界限的概念,定义了智能集群的最大密度及最小密度的概念,最后通过仿真实验验证了所提出的智能集群空间特性指标的合理性,使得智能集群的概念变得具体和清晰。     

基于智能点的工厂模型设计与实现

在参考连接点和对偶点技术的基础上,提出了智能点的概念,避免了以前方法在模型统一性和结构简单性方面的缺陷,对智能点进行了详细的描述和分类,并提出了智能组的概念,基于智能点和智能组,提出了单根管线图的深度优先搜索算法。     

图像分类的深度卷积神经网络模型综述

图像分类是计算机视觉中的一项重要任务,传统的图像分类方法具有一定的局限性。随着人工智能技术的发展,深度学习技术越来越成熟,利用深度卷积神经网络对图像进行分类成为研究热点,图像分类的深度卷积神经网络结构越来越多样,其性能远远好于传统的图像分类方法。本文立足于图像分类的深度卷积神经网络模型结构,根据模型发展和模型优化的历程,将深度卷积神经网络分为经典深度卷积神经网络模型、注意力机制深度卷积神经网络模型、轻量级深度卷积神经网络模型和神经网络架构搜索模型等4类,并对各类深度卷积神经网络模型结构的构造方法和特点进行了全面综述,对各类分类模型的性能进行了对比与分析。虽然深度卷积神经网络模型的结构设计越来越精妙,模型优化的方法越来越强大,图像分类准确率在不断刷新的同时,模型的参数量也在逐渐降低,训练和推理速度不断加快。然而深度卷积神经网络模型仍有一定的局限性,本文给出了存在的问题和未来可能的研究方向,即深度卷积神经网络模型主要以有监督学习方式进行图像分类,受到数据集质量和规模的限制,无监督式学习和半监督学习方式的深度卷积神经网络模型将是未来的重点研究方向之一;深度卷积神经网络模型的速度和资源消耗仍不尽人意,应用于移动式设备具有一定的挑战性;模型的优化方法以及衡量模型优劣的度量方法有待深入研究;人工设计深度卷积神经网络结构耗时耗力,神经架构搜索方法将是未来深度卷积神经网络模型设计的发展方向。     

一种用于测量系统信息处理的神经网络设计

介绍了一种在测量系统中使用的基于递推预报误差算法的前馈神经网络的设计以及实现方法。将该网络应用于测量系统模型的仿真试验取得了良好的效果。文中给出了试验的结果 ,并对该网络的应用进行了讨论     

用于Ad Hoc网络的改进的动态源路由协议

为了提高源路由协议(DSR)的性能,平衡整个网络的能量,减少拥塞,提高伸缩性和延长网络生存时间,对发送的RREP和RREQ包结构做了改进,加入了新的延迟发送机制,提出了一种新的协议IDSR,并用仿真对改进后的IDSR路由协议进行了性能评估。     

Artificial intelligence solution to transmission loss allocation problem

The problem of transmission loss allocation of deregulated power system has been solved through the application of artificial neural network (ANN). Two network structures namely Levenberg–Marquardt back propagation (LMBP) and Bayesian regularization back propagation (BRBP) have been trained and their performance compared. It has been found that LMBP network gives faster solution for same accuracy level. As the working range of power flow transaction is quite vast, a huge volume of data need to be stored and processed for the training of neural network. The time needed for training of neural network against such huge data is prohibitive for real time application of the ANN based solution tool where raw data are used for training. A simple filtering technique has been found to be very effective to improve the solution time and training data volume requirement and make the proposed technique suitable for real time applications. With the use of filtered data for training both the training network have shown comparable performance.     

基于DMA实现高速数据包收发*

网络测试是了解网络流量,分析业务性能的重要手段。如何实现高速链路流量捕获分析是目前人们非常关注的问题。在网络处理器上设计了一种BIOS下基于DMA技术的接收、发送以太数据帧的方法,以提高处理器数据包处理能力。该方法已经在BCM1250处理器上实现,测试实验表明,该方法数据包处理能力较之嵌入式Linux环境下提高了两倍。     

A journey through the DQDB network literature

The Distributed Queue Dual Bus (DQDB) network has been adopted as the subnetwork for the IEEE 802.6 metropolitan area network (MAN) standard. Since its original proposition a few years back, DQDB has attracted significant attention because of the simplicity of its medium access control (MAC) protocol. The intense scrutiny that DQDB has been subjected to has lead to the identification of a number of its potential problems, and a number of “add-on” strategies have been proposed to “fix” such problems. Moreover, a number of architectural variations have also been proposed to improve the network behavior. Since there has been a literature explosion on DQDB over the past few years, this article is intended to extract the significant features of various DQDB-based investigations, and to present them in an unified manner.     

融合注意力机制和特征金字塔网络的CT图像肺结节检测

目的 针对现有肺结节检测算法存在的因肺部计算机断层扫描（computed tomography,CT）图像肺结节与周边组织复杂性导致结节本身结构差异性不明显的问题,以及特征提取网络多次下采样造成图像分辨率降低进而导致检测结果差、仅使用网络顶层特征图进行预测造成图像空间信息丢失进而导致小结节漏检等问题,提出了一种基于注意力机制和特征金字塔的肺结节检测算法。方法 根据语义与空间特征补偿机制以及卷积神经网络中网络深度所提取特征的信息量不同,在以ResNet为骨干网络的特征提取网络中设计通道—空间注意力机制,尽可能同时获取含有较多上下文语义以及空间位置信息的特征信息。在网络预测部分设计特征金字塔网络,将高维带有丰富语义信息的特征图与低维带有位置信息的特征图融合进行多尺度预测,增强网络对于小结节以及近血管结节等非显著性目标的检测性能。结果 在LUNA16（lung nodule analysis 16）数据集上进行十折交叉验证显示,当平均假阳性个数为25.99时敏感度达到了97.13%,与基准方法相比,敏感度提高了2.53%,平均假阳性降低了28.54,实现了高敏感度低假阳性;在0.125、0.25、0.5、1、2、4、8这7个假阳率点的敏感度平均值为0.854,其中在每个扫描4次和8次假阳性时敏感度分别达到了0.940和0.951,其效果优于主流的结节检测方法。结论 提出的结节检测模型,可以提高对3~10 mm小结节、近血管结节等非显著性目标的检测性能,并具有较低的假阳率。     

Learning vector quantization for the probabilistic neural network

A modified version of the PNN (probabilistic neural network) learning phase which allows a considerable simplification of network structure by including a vector quantization of learning data is proposed. It can be useful if large training sets are available. The procedure has been successfully tested in two synthetic data experiments. The proposed network has been shown to improve the classification performance of the LVQ (learning vector quantization) procedure.     

LRUNet:轻量级脑肿瘤快速语义分割网络

目的 针对目前基于深度学习的脑肿瘤分割算法参数量大、计算复杂和快速性差的问题,提出了一种超轻量级快速语义分割网络LRUNet （lightweight rapid UNet）,在保证分割精度提升的同时,极大地减少了网络的参数量与计算量,达到快速分割的效果。方法 LRUNet网络结构基于UNet,将3D-UNet的通道数减少为原来的1/4,减少原先3D-UNet过多的参数量;将UNet网络中除最后一层外的所有传统卷积变为深度可分离卷积,深度可分离卷积以牺牲极少精度,大大减少网络参数量,实现网络的轻量级;使用空间—通道压缩和激发模块（spatial and channel squeeze&excitation block,scSE）,该模块能够放大特征图中对模型有利的参数的权重,缩小对模型不利参数的权重,提升网络分割的精度。结果 在BraTS 2018（Brain Tumor Segmentation Challenge 2018）数据集上的在线验证结果显示,该模型在全肿瘤、核心区肿瘤和增强区肿瘤分割的平均Dice系数分别为0.893 6、0.804 6和0.787 2。LRUNet与同为轻量级网络的S3D-UNet相比Dice有所提升,但是,参数量仅为S3D-UNet的1/4,FLOPs （floating point operations per second）仅为1/2。结论 与3D-UNet、S3D-UNet和3D-ESPNet等算法相比,LRUNet算法不仅保证精度得到提升,而且极大地减少网络中计算的参数量与计算成本消耗,同时网络模型的预测速度得到很大提升,使得快速语义分割在3维医学图像领域成为可能。     

Software fault prediction using Nonlinear Autoregressive with eXogenous Inputs (NARX) network

This paper explores a new approach for predicting software faults by means of NARX neural network. Also, a careful analysis has been carried out to determine the applicability of NARX network in software reliability. The validation of the proposed approach has been performed using two real software failure data sets. Comparison has been made with some existing parametric software reliability models as well as some neural network (Elman net and TDNN) based SRGM. The results computed shows that the proposed approach outperformed the other existing parametric and neural network based software reliability models with a reasonably good predictive accuracy.