XiaoMi-AI文件搜索系统
World File Search System多任务的
基于进化多任务的混合脑机接口系统中通道选择的多目标优化算法
混合模态脑机接口 (BCI) 结合了运动想象 (MI) 生物信号和稳态视觉诱发电位 (SSVEP)，在神经工程研究领域引起了广泛关注。在实际应用中，通道数量应尽可能少。然而，最近关于通道选择的大部分研究仅关注分类任务的性能或设备控制的有效性。很少有研究同时对 MI 和 SSVEP 分类任务进行通道选择。在本文中，提出了一种基于多任务的多目标进化算法 (EMMOA)，以同时为这两个分类任务选择合适的通道。此外，还引入了一个两阶段框架来平衡所提算法中选定通道的数量和分类准确率。实验结果验证了多目标优化方法对于混合 BCI 任务通道选择的可行性。
利用人工智能实现多任务的机器人
2. 文献综述 1. 根据陈志豪等人[1]的论述，它为智能移动应用（例如道路交通和铁路气候）实现了对象识别、定位和监控框架。首先在两种深度学习方法中进行对象检测和跟踪方法：You Only Look Once (YOLO) V3 和单次检测器 (SSD)。 2. Zhong-Qiu Zhao 等人[2]的论述，本文介绍了一种专注于对象检测框架的深度学习分析。在卷积神经网络（CNN）的背景下解决了通用对象检测架构，并进行了一些修改和有用的技巧以提高检测效率。 3. Licheng Jiao 等人[3]的论述，本文重点介绍了用于检测任务的深度学习网络的快速发展，以及对象检测器的效率得到了大大提高。 4. Yakup Demir2 等人[4]的论述，涉及在真实驾驶环境中对周围物体进行可靠和准确的检测和识别的自动驾驶。虽然已经提出了许多用于物体检测的算法，但并非所有算法都足够稳健，可以检测和识别被遮挡或截断的物体。本文提出了一种基于卷积神经网络 (CNN) 和支持向量机 (SVM) 的混合局部多系统 (LM-CNNSVM)，因为它具有强大的提取能力和稳健的分类特性。5. Mukesh Tiwari 编辑 [5] 讨论了由于物体运动的日常变化和场景大小的变化、遮挡、外观变化以及自我运动和照明的变化，物体的识别和跟踪是重要的研究领域。具体而言，特征选择是跟踪物体的重要组成部分。