葡京娱乐场-富盈娱乐场开户

我校理學(xué)院大數(shù)據(jù)研究團(tuán)隊(duì)在人工智能與大數(shù)據(jù)處理技術(shù)研究方面取得系列進(jìn)展，研究成果分別發(fā)表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能頂級(jí)期刊。神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域中目前最為火熱的研究方向——深度學(xué)習(xí)的架構(gòu)基礎(chǔ)。雖然深度學(xué)習(xí)在近幾年發(fā)展迅速，但是關(guān)于如何設(shè)計(jì)最優(yōu)神經(jīng)網(wǎng)絡(luò)架構(gòu)的問(wèn)題仍處于探索階段。該團(tuán)隊(duì)分別針對(duì)人工智能中神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、高維大規(guī)模數(shù)據(jù)存在無(wú)效和冗余特征、難以獲取長(zhǎng)時(shí)序信息等問(wèn)題與缺陷，設(shè)計(jì)出了一系列網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化、大數(shù)據(jù)特征選擇和時(shí)序循環(huán)神經(jīng)網(wǎng)絡(luò)模型，有效改善了上述不足，提高了人工智能模型的學(xué)習(xí)性能。 題目為《帶Group Lasso懲罰與控制冗余的神經(jīng)網(wǎng)絡(luò)特征選擇》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究論文發(fā)表在人工智能領(lǐng)域權(quán)威國(guó)際期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生張華清為該論文共同第一作者， 我校榮譽(yù)教授Nikhil R. Pal院士（印度統(tǒng)計(jì)研究所）參與指導(dǎo)，中國(guó)石油大學(xué)（華東）為第一署名單位。該項(xiàng)工作得到國(guó)家自然科學(xué)基金、國(guó)家科技重大專項(xiàng)、山東自然科學(xué)基金、中央高校基本科研業(yè)務(wù)費(fèi)、中國(guó)石油天然氣集團(tuán)公司重大科技項(xiàng)目以及山東省高校青年創(chuàng)新科技支撐計(jì)劃的資助。 特征選擇技術(shù)也稱屬性選擇，是指從原始特征或?qū)傩灾羞x擇出最有效的特征或?qū)傩砸越档蛿?shù)據(jù)維度的過(guò)程，它是人工智能數(shù)據(jù)預(yù)處理環(huán)節(jié)的重要步驟，也是大數(shù)據(jù)處理技術(shù)的重要環(huán)節(jié)。該項(xiàng)工作在神經(jīng)網(wǎng)絡(luò)中嵌入Group Lasso懲罰項(xiàng)并實(shí)現(xiàn)特征冗余控制，在選出對(duì)解決問(wèn)題最有幫助、蘊(yùn)含信息量最大的特征或?qū)傩缘耐瑫r(shí)，控制所選特征子集的冗余程度，以達(dá)到降維的最優(yōu)效果，從而使模型的泛化能力更強(qiáng)，降低神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生過(guò)擬合的風(fēng)險(xiǎn)。 題目為《基于L1正則化的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化模型設(shè)計(jì)與分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究論文發(fā)表在國(guó)際人工智能領(lǐng)域權(quán)威期刊IEEE Transactions on Cybernetics。碩士生謝雪濤和博士生張華清為論文共同第一作者，王健副教授為通訊作者，我校榮譽(yù)教授Nikhil R. Pal院士（印度統(tǒng)計(jì)研究所）參與指導(dǎo)，中國(guó)石油大學(xué)（華東）為第一署名單位。該項(xiàng)研究成果得到了國(guó)家自然科學(xué)基金、山東省自然科學(xué)基金和中央高校基本科研業(yè)務(wù)費(fèi)的資助。 該項(xiàng)工作借助L1正則子具有的稀疏表達(dá)能力，提出兩種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化學(xué)習(xí)模型；本項(xiàng)工作另外一個(gè)突出貢獻(xiàn)就是提出了一種簡(jiǎn)單且具有通用性的收斂性證明方法，同時(shí)保證了模型設(shè)計(jì)的合理性。實(shí)驗(yàn)結(jié)果表明所提出模型具有強(qiáng)大的魯棒性、廣泛的適用性、理想的剪枝能力和良好的泛化能力，適用處理高維大數(shù)據(jù)。該研究成果在人工智能與深度學(xué)習(xí)構(gòu)造最簡(jiǎn)網(wǎng)絡(luò)結(jié)構(gòu)方面具有很強(qiáng)的指導(dǎo)作用和應(yīng)用推廣價(jià)值。

本項(xiàng)目聚焦于鋰電池管理系統(tǒng)在智能化監(jiān)測(cè)與預(yù)測(cè)中的關(guān)鍵痛點(diǎn)，尤其擬面向電池容量衰減預(yù)測(cè)、SOC/SOH估計(jì)不準(zhǔn)、電池剩余時(shí)間不準(zhǔn)確、MAP/SOP估算等方面。通過(guò)引入人工智能算法，構(gòu)建融合機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的電池狀態(tài)預(yù)測(cè)模型，擬實(shí)現(xiàn)高精度SOC（荷電狀態(tài)）與SOH（健康狀態(tài)）估計(jì)的優(yōu)化，提升電池管理系統(tǒng)的智能水平與安全性。 解決方案方面，項(xiàng)目基于實(shí)地檢測(cè)磷酸鐵鋰電池充放電數(shù)據(jù)構(gòu)建訓(xùn)練集，采用輕量級(jí)線性回歸模型及改進(jìn)型人工神經(jīng)網(wǎng)絡(luò)進(jìn)行建模優(yōu)化，并結(jié)合特征工程技術(shù)提高預(yù)測(cè)精度。同時(shí)，設(shè)計(jì)適用于邊緣計(jì)算的部署方案，使模型可在BMS嵌入式硬件平臺(tái)實(shí)時(shí)運(yùn)行，降低對(duì)計(jì)算資源的依賴。 在競(jìng)爭(zhēng)優(yōu)勢(shì)方面，項(xiàng)目成果具備算法輕量化、部署便捷、預(yù)測(cè)準(zhǔn)確度高、兼容性強(qiáng)等特點(diǎn)，特別適用于電力儲(chǔ)能、電動(dòng)汽車等對(duì)安全性和可靠性要求高的場(chǎng)景。相比傳統(tǒng)BMS方案，該AI算法可顯著提升電池使用效率與壽命，精準(zhǔn)估算SOC/SOH，降低維護(hù)成本。 目前項(xiàng)目成果已在合作企業(yè)內(nèi)部?jī)?chǔ)能設(shè)備中開(kāi)展應(yīng)用測(cè)試，初步反饋表明荷電狀態(tài)預(yù)測(cè)準(zhǔn)確度提升40%左右，電池健康度準(zhǔn)確度提升40%左右，系統(tǒng)響應(yīng)及時(shí)，具備較高實(shí)用性和推廣價(jià)值。專家評(píng)審一致認(rèn)為，該項(xiàng)目在智能電池管理系統(tǒng)方向具有較強(qiáng)的創(chuàng)新性和實(shí)際應(yīng)用前景。

人類早期胚胎發(fā)育雖然只有大約7天的時(shí)間，但是卻經(jīng)歷了關(guān)鍵的分子事件，其中包括合子基因組激活（ZGA）和早期胚胎細(xì)胞的命運(yùn)決定。伴隨測(cè)序技術(shù)的進(jìn)步，單細(xì)胞測(cè)序技術(shù)可以有效地揭示早期胚胎發(fā)育的細(xì)胞命運(yùn)決定的轉(zhuǎn)錄圖譜，但是單細(xì)胞轉(zhuǎn)錄組數(shù)據(jù)也存在許多問(wèn)題，例如dropout事件（表達(dá)的基因未被檢測(cè)到），這使得差異分析方法在處理單細(xì)胞受到了限制。本研究中通過(guò)使用F-score算法和差異分析方法（limma，edgeR和DESeq）在人類早期胚胎單細(xì)胞轉(zhuǎn)錄組中得到兩個(gè)關(guān)鍵的基因集。通過(guò)比較先前研究中關(guān)鍵的基因來(lái)分析兩種方法的不同，POU5F1（OCT4）在細(xì)胞多能性的獲得和維持中起到了重要的作用，但是在差異分析方法中卻被排除，而F-score算法卻可以獲得。我們通過(guò)研究基因的表達(dá)趨勢(shì)發(fā)現(xiàn)，差異分析方法對(duì)于在多個(gè)時(shí)期高表達(dá)的基因會(huì)被排除，這對(duì)于胚胎發(fā)育中的細(xì)胞的異質(zhì)性是十分不利的。

西安交通大學(xué)席光教授課題組成功將人工智能三維圖像識(shí)別技術(shù)應(yīng)用于離心壓縮機(jī)的優(yōu)化工作中，并與沈陽(yáng)鼓風(fēng)機(jī)集團(tuán)股份有限公司合作完成了國(guó)際上首個(gè)完全三維離心葉輪的優(yōu)化設(shè)計(jì)及試驗(yàn)驗(yàn)證工作。

由于受到云、氣溶膠等不利天氣的影響，基于熱紅外遙感反演的地表溫度數(shù)據(jù)存在空間不連續(xù)問(wèn)題，阻礙了地表溫度產(chǎn)品的實(shí)際應(yīng)用。

本發(fā)明公開(kāi)了一種基于人工蜂群算法和量子粒子群算法的優(yōu)化計(jì)算方法，其包括以下主要步驟：(1)根據(jù)實(shí)際問(wèn)題編制待優(yōu)化目標(biāo)函數(shù)；(2)輸入算法的通用運(yùn)行參數(shù)：種群數(shù)目、迭代次數(shù)、變量維數(shù)、變量取值范圍、待優(yōu)化目標(biāo)函數(shù)；(3)選取ABC、QPSO、QPSO+ABC和ABC+QPSO的一種或多種計(jì)算方法進(jìn)行計(jì)算；(4)若只使用一種，直接判斷結(jié)果是否滿足優(yōu)化要求；若多于一種計(jì)算方法，綜合比較計(jì)算結(jié)果及評(píng)價(jià)最優(yōu)的結(jié)果是否滿足此次優(yōu)化的要求；(5)若滿足要求，運(yùn)算結(jié)束，輸出計(jì)算結(jié)果和迭代曲線；(6)否則，修改算法的