导读:本文包含了智能迁移论文开题报告文献综述及选题提纲参考文献，主要关键词:路径规划,智能车辆,强化学习,深度学习
智能迁移论文文献综述
余伶俐,邵玄雅,龙子威,魏亚东,周开军[1]（2019）在《智能车辆深度强化学习的模型迁移轨迹规划方法》一文中研究指出针对智能驾驶车辆传统路径规划中出现车辆模型跟踪误差和过度依赖问题,提出一种基于深度强化学习的模型迁移的智能驾驶车辆轨迹规划方法.首先,提取真实环境的抽象模型,该模型利用深度确定性策略梯度(DDPG)和车辆动力学模型,共同训练逼近最优智能驾驶的强化学习模型;其次,通过模型迁移策略将实际场景问题迁移至虚拟抽象模型中,根据该环境中训练好的深度强化学习模型计算控制与轨迹序列;而后,根据真实环境中评价函数选择最优轨迹序列.实验结果表明,所提方法能够处理连续输入状态,并生成连续控制的转角控制序列,减少横向跟踪误差;同时通过模型迁移能够提高模型的泛化性能,减小过度依赖问题.(本文来源于《控制理论与应用》期刊2019年09期）
栾庆磊,陈克琼[2]（2019）在《基于深度迁移学习的回转窑燃烧状况智能感知》一文中研究指出针对回转窑燃烧状况的认知问题,探索了一种基于深度迁移学习的回转窑燃烧状况智能感知机制和计算方法。首先,采用自优化调节的机制构建卷积神经网络的架构(ASCNN,adaptive structure convolutional neural networks),建立火焰图像由全局到局部具有确定映射关系的非结构化动态特征空间。其次,基于特征可区分性测度指标和变精度粗糙集理论,从信息论的角度在不确定信息条件下,面向可区分性约束条件,建立自优化特征表征的回转窑燃烧状况认知决策信息系统,增强燃烧状况非结构化简约可分特征空间的可解释性。再次,构建具有万局逼近能力的随机配置网络分类器(SCN,stochastic configuration networks),建立火焰图像燃烧状况的分类决策准则。最后,构建语义误差熵评测指标,实时测量火焰图像燃烧状况认知结果的不确定性,构建基于不确定认知结果测度指标约束的动态迁移学习机制,实现燃烧状况多层次差异化特征空间及其分类准则的自寻优调节和重构。实验结果表明了所构建的基于深度迁移学习的火焰图像燃烧状况智能感知模型较已有方法对水泥回转窑燃烧状况精确认知的可行性和优越性。(本文来源于《重庆大学学报》期刊2019年09期）
郭亮,董勋,高宏力,李长根[3]（2019）在《无标签数据下基于特征知识迁移的机械设备智能故障诊断》一文中研究指出对于智能故障诊断方法,大量有标签数据是实现智能模型训练的必要条件,但该条件在部分工业应用场景下难以满足。难以采集足够有标签数据,尤其是故障状态下的数据,在一定程度上限制了智能故障诊断方法的工业化应用。为解决该问题,提出基于特征知识迁移的机械设备智能故障诊断方法,将实验设备或其他相关设备所采集的足量有标签数据所蕴含的特征知识迁移至工业现场设备所部署的智能模型中,完成不同机械设备之间监测数据的特征知识迁移,从而实现无标签数据下的机械设备智能故障诊断。提出方法首先构建一维深度卷积神经网络,实现从原始振动信号到机械设备故障类别的深度映射。然后在深度卷积神经网络中加入领域适配正则约束项,实现不同机械设备监测数据间特征知识的深度迁移适配。最后,通过全连接神经网络进行机械设备健康状态的识别。为验证提出算法的有效性,通过两种机械设备的轴承在不同性能状态下所采集的监测数据进行迁移故障诊断实验,实验结果表明:提出方法实现了不同设备间监测数据特征知识的迁移适配;相对于传统智能诊断方法,提出的方法在两个数据集之间的迁移故障诊断识别率提高20%以上。(本文来源于《仪器仪表学报》期刊2019年08期）
[4]（2019）在《智能制造背景下的IT架构大迁移》一文中研究指出IT技术正变得越来越普惠,于此同时,企业的生产与经营已经与IT技术深度融合并依赖于IT技术。所以我们看到了如火如荼的数字化转型。两场革命中国信息化百人会执委安筱鹏博士认为,数字化转型,本质是两场革命:工具革命和决策革命。人们去一个地方可以选择(本文来源于《中国信息化》期刊2019年06期）
曾毅,马琳娟,鱼明[5]（2019）在《基于群体智能算法的大数据迁移策略研究》一文中研究指出针对云数据中心不同于传统的数据中心,其管理和维护需要解决更加复杂的问题的情况,为实现云计算平台中大数据系统的平稳升级和更新,提出了一种基于群体智能算法的大数据迁移策略,解决了负载平衡和带宽瓶颈问题。首先对云计算体系架构上的大数据迁移技术进行研究和分析,然后采用人工鱼群优化算法解决m个服务器之间n个数据迁移的最优解问题。最后,将量子比特引入到人工鱼群算法中实现其叁大基本行为。Cloudsim仿真平台上的测试结果表明:相比其他迁移策略,所提出算法能更有效地提高云数据中心的运行效率,具有更好的全局寻优能力。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年06期）
李莹莹[6]（2019）在《人工智能背景下教学设计的范式迁移》一文中研究指出人工智能在全球发展中的重要作用引起国际范围内的极大关注,许多国家已将人工智能升级为国家战略。教育领域在人工智能的影响下,也经历着一场深远的革新。通过分析国内外人工智能教育的现状,本文发现当前理论研究呈多元化,实践应用的深度不够,且理论和实践的联系不深刻。人工智能教育之路如何走,也缺乏系统的探究。在教育领域,教学设计能够有效链接理论与实践,鉴于此本文以人工智能背景下的教学设计为研究课题,从范式层面剖析人工智能对教学设计的深层影响。不仅打破以往对教学设计历史性的、渐进性的研究,也为教学设计发展提供一种新的研究视角,进而推动人工智能技术和教育的深度融合。本研究综合采用文献研究法、内容分析法及案例研究法,首先探究了人工智能对教学设计各要素的影响,以及这种影响是否会达到范式层面。接下来研究了何为范式及范式迁移的分析框架,并在此基础上讨论教学设计范式是否存在,在肯定的前提下,分析教学设计范式及其迁移的内涵。最后探究人工智能背景下教学设计范式的具体迁移过程,需要指出的是,在本研究中,人工智能主要理解为技术因素,即从技术变革视角研究前智能阶段和智能阶段的教学设计的迁移过程。在前智能阶段,本研究使用范式迁移分析框架验证CAI教学设计(计算机辅助教学设计)、多媒体教学设计以及信息化教学设计是否产生迁移。对于智能阶段的教学设计,首先从人工智能给教育教学带来的机遇、原有信息化教学设计自身的问题及其面临的众多挑战等方面阐述了人工智能背景下教学设计范式迁移的必然性。在此基础上,同样使用范式迁移分析框架,共同体成员承诺过的信念、价值、符号及范例这四要素阐述了智能化教学设计的内涵,验证其发生了迁移,构建从多媒体教学设计到信息化教学设计到智能化教学设计的范式迁移模型,并详述了智能化教学设计范式指导下的典型应用案例。(本文来源于《北京邮电大学》期刊2019-06-01）
陈艺璇,张孝顺,郭乐欣,余涛[7]（2019）在《基于多智能体迁移强化学习算法的电力系统最优碳–能复合流求解》一文中研究指出为避免碳排放责任的重复计算,首次在电力系统最优碳–能复合流模型中提出发电侧、电网侧、用户侧之间的碳排放责任分摊机制。并进一步提出一种全新的多智能体迁移强化学习算法,以实现电力系统最优碳–能复合流模型的快速、高质量求解。此算法同时组织多个智能体执行优化任务,并将知识学习机制、多智能体交互机制和知识迁移机制相结合,不仅使每个智能体都具有较强的自主学习能力,还通过多个智能体之间的协调实现了问题的合作求解;知识迁移可以复用历史任务学习经验,使新任务学习效率大幅提升。IEEE 57节点系统、IEEE 300节点系统及深圳电网模型仿真结果均表明,此算法在保证最优解质量和寻优稳定性的同时,收敛速度可达其他算法的4.7～50.5倍,具有明显的优势和实用价值。(本文来源于《高电压技术》期刊2019年03期）
吴英,罗良平,许波,黄君,赵璐瑜[8]（2019）在《基于迁移学习的乳腺肿瘤超声图像智能分类诊断》一文中研究指出目的探讨迁移学习方法对乳腺良恶性肿瘤超声图像分类的价值。方法回顾性分析经病理证实的447例乳腺肿瘤的超声声像图,采用主成分分析法对原始图像进行分析提取;在Matlab 7.0软件中编程实现迁移学习,将量化的图像特征作为输入数据,利用迁移学习对乳腺良恶性肿瘤进行智能分类。结果乳腺恶性肿瘤的边缘粗糙度、坚固度、邻域灰度差矩阵粗糙度、肿瘤后方与周围区域回声差异及水平方向高频分量和垂直方向低频分量的直方图能量均明显高于良性肿瘤(P均<0.05)。超声和迁移学习方法诊断乳腺恶性肿瘤的敏感度分别为96.21%(127/132)和96.04%(97/101),特异度为66.35%(209/315)和98.49%(196/199),准确率为75.17%(336/447)和97.67%(293/300)。结论超声图像特征定量化可为识别良恶性乳腺肿瘤提供客观的量化参数;迁移学习可有效对乳腺良恶性肿瘤的声像图进行分类。(本文来源于《中国医学影像技术》期刊2019年03期）
侯瑜美[9]（2019）在《人体运动智能识别及其迁移学习模型的研究与实现》一文中研究指出本文中人体运动识别HAR(Human Activity Recognition)技术是指对传感器采集到的人体运动过程中产生的准周期时序序列进行数据处理、分析、建模,最终能够对不同运动进行识别的技术,它是健康,医疗,运动,辅助机器人研究等多种领域的基础支撑技术,尤其是基于便携式设备(如智能手机)的运动识别系统具有更加广泛的应用前景。在当前人体运动识别领域中,适应性问题是一个亟待解决的问题,即如何在动态环境中保障模型的识别性能。本文将利用智能手机中获取到的人体运动过程中产生的加速度数据进行数据处理与建模,重点是提高识别模型在真实的动态环境中的泛化性和适应性。具体工作如下:(1)在数据处理与特征提取阶段,针对不同运动单位时长的适应性问题以及样本不均衡问题,提出了基于滑动时间窗口方法的数据扩增方案;针对智能设备放置方向的适应性问题,通过提取瞬时加速度与平均加速度的相对角度,剔除传感器放置方向的不确定性,提出了一种具有放置方向无关性的特征向量提取方案。(2)在模型建立阶段,针对传统人工提取特征无法很好的识别上下楼和行走的问题,建立了适用于人体运动识别领域的深度卷积HAR-Net模型,实现了端到端的具有使用人员独立性的人体运动识别模型,并通过可视化分析对模型进行了进一步地解释。(3)在模型迁移阶段,采用深度迁移学习方法满足运动识别模型高适应性和可扩展性的要求,建立了基于Fine-tuning的深度迁移HAR-Net模型解决了目标域有监督的3个迁移学习任务;建立了基于DDC网络的深度迁移HAR-Net模型解决了目标域无监督迁移学习任务,并在此基础上提出了2阶段HAR-Net迁移模型,进一步提高了迁移模型的识别性能。(4)在系统实现阶段,实现了基于Android系统的人体运动过程中加速度数据的采集和实时运动识别的APP,实验了真实环境下模型的性能验证。研究结果表明,采用本文提出的数据处理方案,深度卷积HAR-Net模型在实验环境下的平均识别准确率为98.94%,在真实环境下的平均识别准确率为97.97%。此外,深度迁移HAR-Net模型能够在小样本的情况下,利用较短的训练时间完成不同应用情景下的模型迁移,迁移效果较好,在目标域数据量仅为源域的20%的条件下,目标域有监督迁移任务提升效果均在35%以上,目标域无监督迁移任务提升效果在约为34%。最后本文还针对不同迁移目的总结出了基于传感器的运动识别领域中迁移学习方法的选择原则。(本文来源于《电子科技大学》期刊2019-03-15）
张丽霞[10]（2019）在《基于人工智能算法的大数据迁移策略应用研究》一文中研究指出随着时代的发展和进步,人类已经逐步进入到人工智能时代,人工智能算法逐渐为人们所灵活应用。基于人工智能算法的大数据迁移成为推动人工智能发展以及大数据灵活应用的重要支撑。本文就基于人工智能算法的大数据迁移策略应用进行分析,希望可以为大数据的应用以及人工智能的跃进提供借鉴。(本文来源于《计算机产品与流通》期刊2019年02期）
智能迁移论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对回转窑燃烧状况的认知问题,探索了一种基于深度迁移学习的回转窑燃烧状况智能感知机制和计算方法。首先,采用自优化调节的机制构建卷积神经网络的架构(ASCNN,adaptive structure convolutional neural networks),建立火焰图像由全局到局部具有确定映射关系的非结构化动态特征空间。其次,基于特征可区分性测度指标和变精度粗糙集理论,从信息论的角度在不确定信息条件下,面向可区分性约束条件,建立自优化特征表征的回转窑燃烧状况认知决策信息系统,增强燃烧状况非结构化简约可分特征空间的可解释性。再次,构建具有万局逼近能力的随机配置网络分类器(SCN,stochastic configuration networks),建立火焰图像燃烧状况的分类决策准则。最后,构建语义误差熵评测指标,实时测量火焰图像燃烧状况认知结果的不确定性,构建基于不确定认知结果测度指标约束的动态迁移学习机制,实现燃烧状况多层次差异化特征空间及其分类准则的自寻优调节和重构。实验结果表明了所构建的基于深度迁移学习的火焰图像燃烧状况智能感知模型较已有方法对水泥回转窑燃烧状况精确认知的可行性和优越性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
智能迁移论文参考文献
[1].余伶俐,邵玄雅,龙子威,魏亚东,周开军.智能车辆深度强化学习的模型迁移轨迹规划方法[J].控制理论与应用.2019
[2].栾庆磊,陈克琼.基于深度迁移学习的回转窑燃烧状况智能感知[J].重庆大学学报.2019
[3].郭亮,董勋,高宏力,李长根.无标签数据下基于特征知识迁移的机械设备智能故障诊断[J].仪器仪表学报.2019
[4]..智能制造背景下的IT架构大迁移[J].中国信息化.2019
[5].曾毅,马琳娟,鱼明.基于群体智能算法的大数据迁移策略研究[J].重庆理工大学学报(自然科学).2019
[6].李莹莹.人工智能背景下教学设计的范式迁移[D].北京邮电大学.2019
[7].陈艺璇,张孝顺,郭乐欣,余涛.基于多智能体迁移强化学习算法的电力系统最优碳–能复合流求解[J].高电压技术.2019
[8].吴英,罗良平,许波,黄君,赵璐瑜.基于迁移学习的乳腺肿瘤超声图像智能分类诊断[J].中国医学影像技术.2019
[9].侯瑜美.人体运动智能识别及其迁移学习模型的研究与实现[D].电子科技大学.2019
[10].张丽霞.基于人工智能算法的大数据迁移策略应用研究[J].计算机产品与流通.2019