范文1：人工智能在高校信息化中的應(yīng)用研究綜述《計(jì)算機(jī)工程》

　�。ㄤ浻枚ǜ澹┚W(wǎng)絡(luò)首發(fā)時(shí)間：2024-12-06 14:27:25

　　摘要：人工智能的快速發(fā)展已在眾多領(lǐng)域中賦能，為社會(huì)帶來了深遠(yuǎn)的影響，其出色的處理效果、廣泛的適用性以及強(qiáng)大的擴(kuò)展能力，為高校信息化服務(wù)提供了堅(jiān)實(shí)的技術(shù)基礎(chǔ)。本文從人工智能和高校信息化的發(fā)展史出發(fā)，探討了二者的發(fā)展歷程及其關(guān)聯(lián)。在國內(nèi)外高校信息化建設(shè)中，盡管各自對(duì)人工智能的關(guān)注點(diǎn)有所不同，但均展現(xiàn)了其在提升教育質(zhì)量、優(yōu)化管理流程等方面的巨大潛力。本文從聚焦高校信息化建設(shè)者的角度，在教師教學(xué)、學(xué)生學(xué)習(xí)、學(xué)校管理、教學(xué)評(píng)估、智能考試等五大核心領(lǐng)域，詳盡歸納并分析了人工智能賦能高校信息化中的典型應(yīng)用案例，展現(xiàn)了其如何有效提升教育質(zhì)量與管理效率。同時(shí)本文指出了人工智能在高校信息化應(yīng)用過程中可能面臨的數(shù)據(jù)隱私保護(hù)、算法偏見、技術(shù)依賴風(fēng)險(xiǎn)等問題，列舉了常見的應(yīng)對(duì)策略，如加強(qiáng)數(shù)據(jù)安全防護(hù)、優(yōu)化算法透明度與公平性、培養(yǎng)師生信息素養(yǎng)等。基于這些分析，本文進(jìn)一步展望了人工智能在高校信息化中的未來優(yōu)化方向，強(qiáng)調(diào)技術(shù)創(chuàng)新與倫理規(guī)范并重，倡導(dǎo)建立跨學(xué)科合作機(jī)制，共同推動(dòng)人工智能技術(shù)在高校信息化領(lǐng)域的健康、可持續(xù)發(fā)展。

　　關(guān)鍵詞：人工智能;高校信息化;個(gè)性化學(xué)習(xí);精細(xì)化管理;校園安全;

　　范文2：基于自適應(yīng)集束搜索算法的中文對(duì)抗樣本生成《計(jì)算機(jī)工程》

　�。ㄤ浻枚ǜ澹┚W(wǎng)絡(luò)首發(fā)時(shí)間：2024-05-29 08:39:32

　　摘要：深度神經(jīng)網(wǎng)絡(luò)極易受到對(duì)抗樣本的影響，僅需向原始文本中添加細(xì)微的擾動(dòng)即可誘導(dǎo)目標(biāo)模型做出誤判。研究對(duì)抗樣本的生成不僅有利于提升模型的魯棒性，還能推動(dòng)深度神經(jīng)網(wǎng)絡(luò)可解釋性方面的工作。在中文對(duì)抗領(lǐng)域，現(xiàn)有的對(duì)抗樣本生成方法大多采用單一變換策略，僅考慮了部分漢語特征，并且忽視了攻擊對(duì)上下文語境產(chǎn)生的影響。為了解決這些問題，提出一種基于啟發(fā)式算法的對(duì)抗樣本生成方法BSCA。通過全面分析表音文字和意音文字之間的差異，結(jié)合漢語的構(gòu)字法、字音、字形、認(rèn)知語言學(xué)等先驗(yàn)知識(shí)，設(shè)計(jì)了可準(zhǔn)確評(píng)估漢字差異的中文文本擾動(dòng)策略。利用擾動(dòng)策略構(gòu)建對(duì)抗搜索空間，并運(yùn)用改進(jìn)的集束搜索算法對(duì)黑盒攻擊過程進(jìn)行優(yōu)化。在嚴(yán)格限制擾動(dòng)大小和語義偏移的情況下，BSCA能夠自動(dòng)選擇不同的攻擊策略，以適應(yīng)不同場景需求。通過在多個(gè)NLP任務(wù)上分別對(duì)TextCNN、TextRNN和BERT模型進(jìn)行實(shí)驗(yàn)，結(jié)果表明，BSCA方法具有較好的泛化能力，能使分類準(zhǔn)確度至少降低63.84%，同時(shí)擁有比基線方法更低的攻擊代價(jià)。

　　關(guān)鍵詞： 對(duì)抗樣本;中文特征;黑盒攻擊;集束搜索;文本分類;

　　范文3：基于原型分散網(wǎng)絡(luò)的端到端行人搜索方法《計(jì)算機(jī)工程》

　　（錄用定稿）網(wǎng)絡(luò)首發(fā)時(shí)間：2024-04-30 08:59:10

　　摘要：行人搜索旨在全景圖像中對(duì)目標(biāo)行人進(jìn)行定位和識(shí)別，可以看作目標(biāo)檢測和行人重識(shí)別任務(wù)的結(jié)合。然而，不同行人的著裝相似性和同一行人在多變環(huán)境條件下的外觀差異，增加了行人身份辨別的難度。為了解決這一問題，提出了一個(gè)原型分散網(wǎng)絡(luò)，通過調(diào)整原型的分布情況，增強(qiáng)網(wǎng)絡(luò)的辨別能力。首先，設(shè)計(jì)了一個(gè)原型增強(qiáng)模塊，通過原型特征指導(dǎo)注意力網(wǎng)絡(luò)的學(xué)習(xí)并利用K最大池化方法保留更多重要的行人特征，借助原型的指導(dǎo)使網(wǎng)絡(luò)關(guān)注更重要的區(qū)域，學(xué)習(xí)更細(xì)粒度的行人特征，進(jìn)而提高網(wǎng)絡(luò)對(duì)相似行人的辨別能力。其次，提出一種自適應(yīng)更新的原型學(xué)習(xí)策略，保證在原型特征更新時(shí)，檢測精準(zhǔn)的候選框做出更大的貢獻(xiàn)。最后，通過分布稀疏損失保證所存儲(chǔ)的原型盡可能分散，從而確保網(wǎng)絡(luò)能識(shí)別到行人的可區(qū)分性特征。最終在公共的行人搜索數(shù)據(jù)集CUHK-SYSU和PRW上進(jìn)行了實(shí)驗(yàn)，在mAP上分別達(dá)到了95.1%和49.8%，在top1準(zhǔn)確率上分別達(dá)到了95.9%和88.5%，該方法有效地提高了行人搜索的準(zhǔn)確率，證明了本文方法的有效性。

　　關(guān)鍵詞： 行人搜索;行人重識(shí)別;原型;自適應(yīng)更新;分布稀疏損失;

　　范文4：基于自主探索的移動(dòng)機(jī)器人路徑規(guī)劃研究《計(jì)算機(jī)工程》

　　（錄用定稿）網(wǎng)絡(luò)首發(fā)時(shí)間：2024-04-25 10:51:31

　　摘要：移動(dòng)機(jī)器人在路徑規(guī)劃過程中，當(dāng)面對(duì)未知且動(dòng)態(tài)變化的環(huán)境時(shí)，會(huì)存在與障礙物碰撞率高、易陷入局部最優(yōu)等問題，針對(duì)此問題，本文提出了一種基于雙延遲深度確定性策略梯度(Twin Delayed Deep Deterministic policy gradient algorithm：TD3)的改進(jìn)算法TD3pro，來提高移動(dòng)機(jī)器人在未知?jiǎng)討B(tài)環(huán)境下的路徑規(guī)劃性能。首先，引入長短期記憶(Long Short-Term Memory：LSTM)神經(jīng)網(wǎng)絡(luò)并與TD3算法相結(jié)合，通過門結(jié)構(gòu)篩選歷史狀態(tài)信息，并感知探測范圍內(nèi)障礙物的狀態(tài)變化，幫助機(jī)器人更好地理解環(huán)境的動(dòng)態(tài)變化和障礙物的移動(dòng)模式，使移動(dòng)機(jī)器人能夠準(zhǔn)確預(yù)測和響應(yīng)動(dòng)態(tài)障礙物的行為，從而降低與障礙物的碰撞率。其次，加入OU探索噪聲(Ornstein-Uhlenbeck exploration noise)，幫助移動(dòng)機(jī)器人持續(xù)探索周圍環(huán)境，增強(qiáng)移動(dòng)機(jī)器人的探索能力和隨機(jī)性。并在此基礎(chǔ)上，將單個(gè)經(jīng)驗(yàn)池設(shè)置為成功、失敗和臨時(shí)三個(gè)經(jīng)驗(yàn)池，以此提高有效經(jīng)驗(yàn)樣本的采樣效率，進(jìn)而減少訓(xùn)練時(shí)間。最后，在兩個(gè)不同的動(dòng)、靜態(tài)障礙物混合場景中進(jìn)行路徑規(guī)劃實(shí)驗(yàn)仿真。分析對(duì)... 更多

　　關(guān)鍵詞： 移動(dòng)機(jī)器人;路徑規(guī)劃;TD3算法;LSTM;多經(jīng)驗(yàn)池優(yōu)先經(jīng)驗(yàn)回放;OU探索噪聲;

　　范文5： 高動(dòng)態(tài)場景下無人機(jī)空對(duì)空目標(biāo)檢測方法研究《計(jì)算機(jī)工程》

　　（錄用定稿）網(wǎng)絡(luò)首發(fā)時(shí)間：2024-04-15 17:03:42

　　摘要：針對(duì)高動(dòng)態(tài)場景下無人機(jī)空對(duì)空目標(biāo)檢測任務(wù)中機(jī)載設(shè)備計(jì)算資源有限和無人機(jī)小目標(biāo)檢測困難的問題，提出了一種基于輕量級(jí)注意力機(jī)制的SGC-YOLOv5算法。旨在保持無人機(jī)小目標(biāo)檢測精度的基礎(chǔ)上實(shí)現(xiàn)模型輕量化。首先，設(shè)計(jì)S-Ghost模塊和SD-Ghost結(jié)構(gòu)構(gòu)建特征提取網(wǎng)絡(luò)（SD-Ghostnet），降低模型參數(shù)量和計(jì)算復(fù)雜度；其次，引入更高效的GSConv和VOVGSCSP結(jié)構(gòu)細(xì)化特征融合網(wǎng)絡(luò)，將SD-Ghostnet和細(xì)化的特征融合網(wǎng)絡(luò)結(jié)合使模型達(dá)到最佳的輕量化效果；最后，在特征融合網(wǎng)絡(luò)中加入輕量級(jí)的CBAM注意力機(jī)制來突出圖像中感興趣的無人機(jī)特征，抑制背景冗余信息，提高檢測精度。在Det-Fly數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，SGC-YOLOv5算法精度為74.9%，參數(shù)量為4.11M，檢測速度為169.42f/s，計(jì)算復(fù)雜度為9GFLOPs。與基準(zhǔn)YOLOv5s算法相比，SGC-YOLOv5算法檢測精度提升1.8%，參數(shù)量減少48.5%，檢測速度提升26f/s，計(jì)算復(fù)雜度降低57.5%，在實(shí)現(xiàn)模型輕量化的同時(shí)取得了較好的檢測精度。

　　關(guān)鍵詞： 視覺目標(biāo)檢測;無人機(jī)空對(duì)空目標(biāo)檢測;YOLOv5;輕量化;注意力機(jī)制;

---

轉(zhuǎn)載請(qǐng)注明來自：http://www.jinnzone.com/qikanzhishi/79535.html