数据缺失场合下k/N(G)系统可靠性指标的经验Bayes估计

在定数截尾缺失数据样本下,研究了不可修k/N(G)系统的可靠性指标的估计问题。将极大似然估计法和Bayes方法相结合得到了部件的平均寿命、系统可靠度及平均寿命等可靠性指标的经验Bayes估计,最后利用随机模拟例子说明了本文方法的正确性和可行性。     

基于全卷积孪生神经网络的复杂监控场景下前景提取方法

由于光照变化、相机抖动和动态背景等因素影响,现有基于传统图像处理方法的前景提取算法并不能在复杂场景下获得良好的分割效果。针对此类问题,本文提出了一种基于全卷积孪生神经网络的前景提取算法,仅需任意2帧图像即可准确提取运动前景。将输入的2帧图像分为背景图像与待提取图像,将其输入全卷积孪生神经网络得到二者的相似性度量图,该相似性度量图中包含待提取图像相对于背景图像的各像素变化情况信息;接着将相似性度量图与待提取图像融合,利用编解码网络以实现端到端的前景提取。在CDnet2014数据集上进行综合评估与测试,结果均证明了该方法的有效性。     

英语习得与人为目的语环境的创造

"语言习得"与"语言学习"是外语教学理论研究中的两个重要概念,克拉申认为只有"习得"来的语言才能成为流利的口头表达,而"学习"只能起"监查"作用.在"学习"的条件下,通过营造人为目的语习得环境,以用为本,立足实践,学习者同样可以达到习得外语的目标.     

复杂工况下的直升机行星传动轮系故障诊断

行星传动轮系是直升机动力传动系统的核心部件,是直升机健康和使用监测系统重要的监测对象。针对复杂工况下直升机行星传动轮系的故障诊断难题,提出了结合域对抗与深度编码网络的自适应域对抗深度迁移故障诊断方法。方法输入归一化频谱数据,基于堆栈收缩自动编码网络建立训练负载与测试负载编码网络,从训练域数据进行有监督学习提取高质量深度故障特征,并结合参数迁移和对抗学习策略,通过测试域数据无监督自适应优化测试域深度故障特征提取网络,以适应负载条件变化引起的样本数据分布差异以及恶劣噪声环境引起的样本数据波动的影响。方法在直升机行星传动轮系实验平台上通过故障注入试验进行了对比验证,证明了方法的有效性与健壮性。     

元强化学习综述

元强化学习是指自动从一组相关任务中学习强化学习所需归纳偏置的相关理论和方法,对于提高强化学习算法在困难场景下的样本效率和泛化能力具有重要用途。本文提出一种新的元强化学习框架,指出设计和分析一个元强化学习算法需要同时考虑学习经验（相关任务）、归纳偏置及学习目标3个独立因素及这3个因素之间的依赖关系。在此基础上对该领域的研究现状进行了分析和总结,特别对近年来元强化学习若干文献进行了分析和归类,并详细阐述了几种代表性算法的原理及各自特点。本文还对元强化学习常用的实验环境和性能评价方法进行了介绍,对该领域的不足和未来的发展方向进行了讨论和分析。     

Dirichlet混合样本的EM算法与动态聚类算法比较

Dirichlet分布是一类包含正参数向量的连续多元概率分布,在比例结构问题中具有广泛的应用。针对Dirichlet混合样本的聚类问题,进行了最大期望（EM）算法和动态聚类算法研究。首先,推导其数学过程,并给出算法迭代步骤。然后,利用数字仿真实验,比较了EM算法与动态聚类算法两种机器学习算法在Dirichlet混合样本中的聚类效果。最后,计算对数似然函数值、程序运行时间、收敛迭代次数、聚类正确率、真正率（TPR）和假正率（FPR）6个评价指标。仿真实验结果表明,EM算法聚类正确率更高但是运算效率相对较低,而动态聚类算法运算效率较高但是损失了部分聚类正确率。因此,实际应用中建议综合权衡聚类正确率与运算效率的相对需求后,再选取合适算法进行Dirichlet混合样本聚类。      

一种可变锚框候选区域网络的目标检测方法

目标检测作为计算机视觉领域的热点问题,目前基于深度学习的目标检测方法可以分为2类:两步检测和一步检测,前者有着较高准确性,后者有着较好速度,但是为提高检测的性能两者都引入了锚机制。为提高目标检测系统的性能,基于深度卷积神经网络的两步检测算法引入了注意力引导（AG）模块,通过对候选区域网络（RPN）的锚机制进行引导,使得对于预选锚框形状的选择更具有多样性;同时针对传统的后处理方式非极大值抑制（NMS）算法存在的误检和漏检的问题,提出了一种置信度因子的NMS（Cf-NMS）算法,对于模型的整体性能有着很大的贡献。实验结果说明,所提方法虽然在速度性能上有略微的下降,但是无论是在RPN变体还是现有的先进算法在准确性方面都有提升。      

人工智能技术在嵌入式代码审查中的应用与展望

代码审查是航天嵌入式软件开发中的重要环节.近年来,随着嵌入式软件开发需求的增多,传统以人工为主的代码审查方法逐渐不能满足快节奏的软件开发流程.为了减轻审查人员的压力,提升审查效率,研究者们逐渐将目光转向以深度学习技术为首人工智能领域,尝试寻求技术上得突破,以开发更智能的审查系统.本文对近年来人工智能技术在代码审查及程序理解中应用的相关工作进行了归纳总结.首先简要介绍了嵌入式代码审查工作目前面临的困境及解决方案.然后引出了代码审查中的一项重要活动,即程序理解.并详细阐述了目前基于人工智能的程序理解在代码审查中的应用情况.最后根据相关领域的发展情况,对未来代码审查的发展方向作了进一步的探讨.