XiaoMi-AI文件搜索系统
World File Search System融合术
人机融合创新设计 - 包装工程
[1] 创新设计竞争力战略研究 [J]. 中国工程科学 , 2017, 19(3): 100-110. Competitive Strategy for Innovative Design in China[J]. Strategic Study of CAE, 2017, 19(3): 100-110. [2] 路甬祥 . 论创新设计 [M]. 北京 : 中国科学技术出版 社 , 2017. LU Yong-xiang. On Innovative Design[M]. Beijing: China Science and Technology Press, 2017. [3] ENDSLEY M R. Toward a Theory of Situation Aware- ness in Dynamic Systems[J]. Human Factors, 1995, 37(1): 32-64. [4] 卫宗敏 . 面向复杂飞行任务的脑力负荷多维综合评估 模型 [J]. 北京航空航天大学学报 , 2020, 46(7): 1287- 1295. WEI Zong-min. A Multi-dimensional Comprehensive Evaluation Model of Mental Workload for Complex Flight Missions[J]. Journal of Beijing University of Aeronautics and Astronautics, 2020, 46(7): 1287-1295. [5] BAUMGARTNER N, MITSCH S, MÜLLER A, et al. A Tour of be Aware: a Situation Awareness Framework for Control Centers[J]. Information Fusion, 2014, 20(15):
多通道人机交互信息融合的智能方法
结构在运行时可以做到即使某一个模态信息缺失整个网络也能取得不错的效果 , 在多通道情感识别、 语义理解、目标学习等领域取得很好的效果 .尽管如此 , 这类网络相对于任务来说还是相对 “ 具体 ”, 如 果要换一个任务 , 用户就需要修改网络结构包括重新调整参数 , 这使得深度神经网络结构的设计是一 个耗时耗力的过程 .因此研究者们希望一个混合的神经网络结构可以同时胜任多个任务 , 以减少其在 结构设计和训练方面的工作量 .鉴于此 , 研究者开始致力于首先采用大数据联合训练构建出多通道联 合特征分享层 , 然后在识别阶段可以同时进行多任务处理的深度多模态融合结构 .如 Google 的学者 尝试建议一个统一的深度学习模型来自适应地适配解决不同领域、不同数据模态下的多个不同类型 的任务 , 且在特定任务上的性能没有明显损失的模型 [71] .该模型构架请见文献 [71] 的图 2, 由处理输 入的编码器、编码输入与输出混合的混合器、混合输出的解码器 3 个部分构成 , 文献 [71] 的图 3 给 出了这 3 个部分的详细描述 .每一个部分的主体结构类似 , 均包含多个卷积层、注意力机制和稀疏门 控专家混合层 .其中 , 不同模块中的卷积层的作用是发现局部模式 , 然后将它泛化到整个空间 ; 注意力 模块和传统的注意力机制的主要区别是定时信号 , 定时信号的加入能让基于内容的注意力基于所处的 位置来进行归纳和集中 ; 最后的稀疏阵列混合专家层 , 由前馈神经网络 ( 专家 ) 和可训练的门控网络组 成 , 其选择稀疏专家组合处理和鉴别每个输入 .
LSTM 与Informer 融合预测冠层区域温度
摘 要： 针对传统温度预测方法难以充分捕捉多尺度信息，导致模型预测性能不佳等问题，该研究提出了一种基于 Informer 架构和长短时记忆网络（ long short-term memory, LSTM ）与多源数据融合的冠层区域温度预测模型。在编码层 中，采用稀疏注意力机制提取输入因子的多尺度信息及其与长时序数据之间的耦合关系；在解码层中，利用 LSTM 提取 短期时序依赖，以增强时间序列的连贯性，同时引入改进的反向残差前馈网络（ improved residual feedforward network, IRFFN ）以优化模型结构。首先采用孤立森林法对数据进行异常值清理，并进行了归一化处理；然后使用斯皮尔曼相关 系数法对冠层区域温度进行相关性分析，并选择相关程度较高的环境因子作为模型的输入特征；最终通过网格搜索法对 超参数进行优化，并通过迭代训练实现模型的最优配置。通过与其他 4 种主流算法进行对比分析，提出的 Informer- LSTM 在冠层区域温度预测方面表现出更高的精度，其平均绝对误差（ mean absolute error, MAE ）、均方根误差（ root mean square error, RMSE ）和决定系数（ R 2 ）分别达到了 0.166 、 0.224 ℃和 97.8% ，与基础模型 Informer 相比，冠层区 域温度的预测精度提高了 32.36% 。该模型在时间序列预测方面具有较高的精度，为区域气象温度的中短期精准预测提 供了一种新的技术方法。 关键词： 冠层 ； 温度 ； 非线性时间序列 ； 长短期记忆神经网络 ； Informer doi ： 10.11975/j.issn.1002-6819.202409001 中图分类号： TP18 ； S165 文献标志码： A 文章编号： 1002-6819(2025)-07-0001-11
基于多传感信息融合的移动机器人定位与环境感知技术
本文重点介绍了位置准确性低的问题和在复杂环境中移动机器人的不良环境感知性能。它基于IMU和GP的机器人姿势信息和环境知觉信息进行了关键的技术研究，以检测机器人自己的姿势信息，以及激光雷达和3D摄像头，以感知环境信息。在“姿势信息融合层”中，粒子群处理算法用于优化BP神经网络。没有偏见的卡尔曼过滤，并实现了未经意识的卡尔曼滤波器，以实现INS-GPS松散耦合导航，从而减少了INS组件IMU的偏见和噪声。此外，当GPS信号丢失发生时，训练有素的神经网络可用于输出预测信息，以进行惯性导航系统的错误校正，提供更准确的速度，并将信息作为绝对位置约束。在环境感知融合层中，补偿的IMU预一整合性调查分别与次要水平分别与视觉探光仪和激光镜探测融合。这使机器人的实时精确定位和环境图的更精细结构。最后，使用实际收集的轨迹来验证算法，以进行multi传感器信息的两级融合。实验结果表明，该算法提高了机器人的定位准确性和环境感知性能。机器人运动轨迹和原始真实轨迹之间的最大误差为1.46 m单位，而最小误差为0.04 m单位，平均误差为0.60 m。
“人工智能与脑科学的对比与融合”
A01：感知与预测 深度学习如今在模式识别中已经取得了很高的性能。我们将利用信息论来阐明它为什么以及在什么条件下起作用，并且利用深度学习得到的各层中的信息表示来理解大脑各个区域神经元的信息表示。 我们将通过与各种分层贝叶斯推理算法的比较，验证大脑感觉皮层神经回路实现分层贝叶斯推理的假设。 A02：运动与行为 虽然机器人技术已经进步，但如今的人形机器人的运动能力仍然不如三岁儿童。我们将通过与大脑的运动学习机制进行比较来明确其中的不足。具体来说，我们的目标是阐明大脑从多自由度系统中的有限数据中学习充分的内部模型的机制，并在此基础上实现人形机器人的学习控制。 大脑感觉皮层的学习可以理解为依赖外界信息的无监督学习，而运动皮层的学习则需要创建自发运动所必需的信息表征，其背后的原理仍不清楚。此外，基底神经节有直接通路和间接通路两大回路，且有多种控制学习的多巴胺，但这其中的计算意义尚不清楚。我们将寻求通过将学习理论与大脑数据相结合来对这些问题获得新的认识。 A03：认知与社会性 人类的认知功能被认为是通过对模拟感觉运动信息进行分类和分割来实现的。我们着眼于实现这一目标的理论模型——双分割分析，并探索其在大脑中实现的可能性，以及将其应用于人形机器人的模仿学习和意图估计。 “心理模拟”和“心智理论”在人类智力行为，尤其是社会行为中发挥着重要作用，其在脑中的位置正通过fMRI实验等方法阐明。通过阐明神经回路层面的表达和学习原理，我们希望能够理解精神分裂症和自闭症等疾病，并以此设计出更自然的人形机器人和智能代理。 3）研究区域设置期结束后的预期成果。
量子化学理论与人工智能技术结合
作者简介：清野淳二 2005年毕业于东京都立大学理学部化学科。2007年结业于东京都立大学理学研究科化学硕士课程。2010年结业于东京都立大学理工学研究科分子材料化学博士课程。同年4月成为早稻田大学理工学部助理研究员。2012年成为日本学术振兴会研究员（PD）。2015年成为早稻田大学理工研究所副研究员。2017年成为日本科学技术振兴机构PRESTO研究员（兼任）。2020年成为东京都立大学理学部化学科特任副教授。 2010年获理学博士学位。 [专业] 化学信息学，量子化学。 [联系方式] 〒169-0007 东京都新宿区大久保3-4-1（工作地点）
“专创融合”视域下《合成生物学》课程建设策略研究
合成生物学已成为全球研究和商业发展的热点，有望驱动未来经济的重大变革。同时，合成生物学是一门高度跨学科的应用学科，是构建“专业与创新创业”融合的良好课程载体。本文采用双元PBL教学法，将基于问题的学习和基于项目的学习贯穿于合成生物学的整个教学过程，以学生为中心，注重培养学生的创新意识和发现问题、解决问题的能力，构建“课程创新、专业创新、竞赛创新、产业创新”一体化的立体教学网络，解决专业与产业“错配”的问题。
