Search | Engineering

订阅投稿

首页工程期刊工程焦点工程成就工程前沿关于我们 English

资源类型

期刊论文 519

年份

2023 57

2022 42

2021 45

2020 26

2019 34

2018 25

2017 33

2016 13

2015 5

2014 13

2013 11

2012 14

2011 15

2010 14

2009 10

2008 25

2007 26

2006 20

2005 25

2004 16

展开︾

关键词

深度学习 15

数学模型 13

机器学习 10

模型 9

模型试验 9

数值模拟 8

人工智能 5

COVID-19 4

不确定性 4

GM(1 3

神经网络 3

计算机模拟 3

1)模型 2

DX桩 2

D区 2

Preissmann格式 2

SWAT模型 2

TRIZ 2

Weibull分布 2

展开︾

检索范围：

排序：展示方式：

相关滤波视觉跟踪方法中深度上下文模型的研究 Article

Zhao-yun CHEN, Lei LUO, Da-fei HUANG, Mei WEN, Chun-yuan ZHANG

《信息与电子工程前沿（英文）》 2017年第18卷第5期页码 667-679 doi: 10.1631/FITEE.1500389

摘要：本文旨在将深度信息整合到基于相关滤波器的跟踪器中，以解决跟踪器在上述两种情况下的跟踪失败。同时利用RGB-D数据构建了一个深度上下文模型，用来描述目标与周边区域之间的空间相关性。此外，本文采用了区域生长法使跟踪器对遮挡和尺度变化的场景具有更高鲁棒性，并利用模型更新等优化方法来改进较长视频序列的性能。

关键词：视觉跟踪；深度上下文模型；相关滤波；区域生长

HTML PDF 收藏

社会计算下的协作学习 None

Ricardo S. ALONSO, Javier PRIETO, Óscar GARCÍA, Juan M. CORCHADO

《信息与电子工程前沿（英文）》 2019年第20卷第2期页码 265-282 doi: 10.1631/FITEE.1700840

摘要：技术的引入使得教育创新极大地丰富起来，从而形成新的学习模型，其中，信息来自于多源，协作在学生之间产生。为此，本文提出并评估支持协作学习的上下文感知构架（CAFCLA）。CAFCLA是一个覆盖协作学习全过程活动开发的灵活架构，可以利用上下文信息和社交互动。

关键词：上下文感知；协作学习；社会计算；虚拟组织；无线传感器网络；实时定位系统

HTML PDF 收藏

基于图卷积注意力网络的视频摘要方法 Research Articles

李平1,2,唐超1,徐向华1

《信息与电子工程前沿（英文）》 2021年第22卷第6期页码 902-913 doi: 10.1631/FITEE.2000429

摘要： GCAN由嵌入学习和上下文融合两部分组成，其中嵌入学习包括时序分支和图分支。上下文融合部分将时序分支和图分支的输出信息流合并形成视频帧的上下文表示，然后计算其重要性得分，据此选择具有代表性的帧，生成视频摘要。

关键词：时序学习；自注意力机制；图卷积网络；上下文融合；视频摘要

HTML PDF 收藏

基于依存关系和多义词分析的句法词嵌入 None

Zhong-lin YE, Hai-xing ZHAO

《信息与电子工程前沿（英文）》 2018年第19卷第4期页码 524-535 doi: 10.1631/FITEE.1601846

摘要：现有大多数词嵌入学习模型存在以下问题：（1）基于词袋上下文的模型完全忽略句子的句法结构关系；（2）每个词使用单个嵌入向量使多义词共享一个嵌入向量；（3）词嵌入往往趋向于句子上下文共性。该算法主要处理：（1）基于主题模型，提出一个多义词识别算法；（2）采用符号“+”和“−”表示依存关系方向；（3）删除停用词及其依存关系；（4）引入“skip”依存关系表示依存关系之间的间接关系；（5）将基于依存关系的上下文输入到Word2Vec模型中训练语言模型。实验结果表明，SWE模型在词相似度评测任务中表现出优异性能。基于依存关系句法上下文捕获词语的语义和句法特征，使词语表现出较少的上下文主题相似性和更多的句法和语义相似性。综上，包含更多信息的SWE模型性能优于单一的词嵌入学习模型。

关键词：基于依存关系的上下文；多义词表示；表示学习；句法词向量

HTML PDF 收藏

融合深度置信网络的串联隐马尔科夫模型及其在脱机手写识别中的应用 Article

Partha Pratim ROY, Guoqiang ZHONG, Mohamed CHERIET

《信息与电子工程前沿（英文）》 2017年第18卷第7期页码 978-988 doi: 10.1631/FITEE.1600996

摘要：近年来，为了充分探索隐藏在文档图像中的监督信息，许多研究工作试图将多层感知机以一种混合或串联的形式嵌入隐马尔科夫模型当中。在本文中，我们针对自由书写的脱机手写识别提出一种基于深度结构的串联方法。在提出的模型中，深度置信网络被用于学习序列数据的紧致表示，隐马尔科夫模型被用于（子-）词的识别。我们在两个公开的数据集上验证了所提出的模型，这两个数据集是分别基于拉丁和阿拉伯语的RIMES和IFN/ENIT；我们还在Devanagari数据集上验证了所提出的模型，这个数据集是基于印度语的。大量的实验展示了所提出模型的优势，特别是相对于多层感知机-隐马尔科夫模型的串联方法。

关键词：手写识别；隐马尔科夫模型；深度学习；深度置信网络；串联方法

HTML PDF 收藏

基于双向深度生成模型和功能磁共振成像数据的大脑编码和解码 Review

杜长德, 李劲鹏, 黄利皆, 何晖光

《工程（英文）》 2019年第5卷第5期页码 948-953 doi: 10.1016/j.eng.2019.03.010

摘要：尽管以前的研究人员在大脑编码和解码模型方面取得了显著进步，但是现有方法仍需要使用先进的机器学习技术进行改进。例如，传统方法通常会分别构建编码和解码模型，并且容易对小型数据集过度拟合。接下来，在体系结构和计算规则方面，我们证明了深度神经网络和人类视觉通路之间存在的对应关系。此外，深度生成模型[如变分自编码器（VAE）和生成对抗网络（GAN）]在大脑编码和解码研究中产生了可喜的成果。最后，我们提出了最初为机器翻译任务设计的对偶学习方法，该方法通过利用大规模未配对数据提高了编码和解码模型的效果。

关键词：大脑编码和解码功能磁共振成像深度神经网络深度生成模型双重学习

HTML PDF 收藏

深度学习中的视觉可解释性 Review

Quan-shi ZHANG, Song-chun ZHU

《信息与电子工程前沿（英文）》 2018年第19卷第1期页码 27-39 doi: 10.1631/FITEE.1700808

摘要：总结了近年来在理解神经网络内部特征表达和训练一个具有中层表达可解释性的深度神经网络上的相关研究工作。虽然深度神经网络在众多人工智能任务中已有杰出表现，但神经网络中层表达的可解释性依然是该领域发展的重大瓶颈。目前，深度神经网络以低解释性的黑箱表达为代价，获取了强大的分类能力。我们认为提高神经网络中层特征表达的可解释性，可以帮助人们打破众多深度学习的发展瓶颈，比如，小数据训练，语义层面上的人机交互式训练，以及基于内在特征语义定向精准修复网络中层特征表达缺陷等难题。本文着眼于卷积神经网络，调研了：(1)网络表达可视化方法；(2)网络表达的诊断方法；(3)自动解构解释卷积神经网络的方法；(4)学习中层特征表达可解释的神经网络的方法； (5)基于网络可解释性的中层对端的深度学习算法

关键词：人工智能；深度学习；可解释性模型

HTML PDF 收藏

基于内嵌物理信息深度学习模型的增材制造工艺参数及熔池尺寸预测 Article

赵明志, 韦辉亮, 茅仪铭, 张长东, 刘婷婷, 廖文和

《工程（英文）》 2023年第23卷第4期页码 181-195 doi: 10.1016/j.eng.2022.09.015

摘要：为了解决此问题，本工作融合典型实验、机理模型和深度学习研究激光PBF过程中关键参数和熔池特性的正向和逆向预测。实验提供基础数据，机理模型显著增强数据集，多层感知器（MLP）深度学习模型则根据实验和机理模型构建的数据集预测熔池尺寸和工艺参数。此外，MLP模型的预测准确率与数据集的特征密切相关，即数据集的可学习性对预测准确率有至关重要的影响。通过机理模型增强数据集后的最高预测精度为97.3%，而仅使用实验数据集时的最高预测精度只有68.3%。MLP模型的预测准确率在很大程度上取决于数据集的质量。

关键词：增材制造熔池模型深度学习可学习性

HTML PDF 收藏

基于位平面可预测性的无损图像压缩研究

厉鲁卫,周朔燕,蔡益宇

《中国工程科学》 2005年第7卷第10期页码 33-37

摘要：

提出了一种基于嵌入式位平面的静止连续色调图像的无损图像压缩方法：通过将1幅图像分割成两类位平面（基础层和增强层）使得该图像具有了位平面的可测量性，并且通过利用平面与平面以及每个平面中各像素之间的相关性减少冗余，从而获得优秀的压缩性能；与其他压缩算法的比较表明，基于嵌入式位平面的无损图像压缩算法由于具有位平面可测量性而体现了巨大的优越性。

关键词：信息处理技术无损图像压缩上下图模型嵌入式位平面

HTML PDF 收藏

深度三维重建：方法、数据和挑战 Review Article

刘彩霞1,孔德慧1,王少帆1,王志勇2,李敬华1,尹宝才1

《信息与电子工程前沿（英文）》 2021年第22卷第5期页码 615-766 doi: 10.1631/FITEE.2000068

摘要：基于深度学习的三维重建方法通过利用深度网络自动学习低质量图像中的三维形状语义特征，克服了这两个瓶颈。然而，这些方法具有多种体系框架，但是至今未有文献对它们作深入分析和比较。本文对基于深度学习的三维重建方法进行全面综述。首先，基于不同深度学习模型框架，将基于深度学习的三维重建方法分为4类：递归神经网络、深自编码器、生成对抗网络和卷积神经网络，并对相应方法作详细分析。再次，对基于深度学习的三维重建方法进行综合比较，包括不同方法在同一数据库、同一方法在不同数据库以及同一方法对于不同视角个数输入的结果比较。最后，讨论了基于深度学习的三维重建方法的发展趋势。

关键词：深度学习模型；三维重建；循环神经网络；深度自编码器；生成对抗网络；卷积神经网络

HTML PDF 收藏

基于图像的深度学习降雨强度估计方法 Article

尹航, 郑飞飞, 段焕丰, Dragan Savic, Zoran Kapelan

《工程（英文）》 2023年第21卷第2期页码 162-174 doi: 10.1016/j.eng.2021.11.021

摘要：本文提出了一种基于图像的深度学习模型来估计具有高时空分辨率的城市降雨强度。进一步来说，一种称为基于图像的降雨卷积神经网络（image-based rainfall convolutional neural network, irCNN）模型是使用从现有密集传感器（即智能手机或交通摄像头随后使用经过训练的irCNN 模型根据传感器的降雨图像有效地估计降雨强度。分别利用合成降雨数据和真实降雨图像来探索irCNN 在理论和实际模拟降雨强度方面的准确性。结果表明，irCNN 模型提供的降雨量估计值的平均绝对百分比误差在13.5%~21.9%之间，超过了文献中其他最先进的建模技术的性能。irCNN 模型为估算城市降雨强度提供了一种有前景的替代方案，可以极大地促进城市实时洪水风险管理的发展。

关键词：城市洪水降雨图像深度学习模型卷积神经网络（CNN）降雨强度

HTML PDF 收藏

一种用于寻找无人船回收海床基数据最佳通信点的梯度上升控制法 Research Papers

Jiu-cai JIN, Jie ZHANG, Zhi-chao LV

《信息与电子工程前沿（英文）》 2019年第20卷第6期页码 751-759 doi: 10.1631/FITEE.1700732

摘要：众所周知，梯度上升极值寻找法常应用于多平台或多智能体，这是因为多平台能大范围测量且易于梯度估计。单一平台测量范围有限，不能快速估计测量场，难以迅速获得测量场极值。基于梯度上升和人工势场方法，考虑未知场的递归估计，设计无人船最佳通信点控制器，并证明其稳定性。仿真结果表明该算法可靠、高效。

关键词：无人船；数据回收；水声通信；梯度上升；极值寻找

HTML PDF 收藏

基于深度Q学习网络与新训练算法的服务机器人主动物品检测模型 Research Article

刘少鹏,田国会,崔永成,邵旭阳

《信息与电子工程前沿（英文）》 2022年第23卷第11期页码 1673-1683 doi: 10.1631/FITEE.2200109

摘要：目前基于强化学习的AOD模型存在训练效率低和测试精度差的问题。因此，本文提出一种基于深度Q学习网络的AOD模型，并设计了一种新的模型训练算法。该模型旨在拟合各种动作Q值，包括状态空间、特征提取和多层感知机。与现有研究不同，本文针对所提AOD模型设计了一种基于记忆的训练算法，以提高模型训练效率和测试精度。

关键词：主动物品检测；深度Q学习网络；训练算法；服务机器人

HTML PDF 收藏

基于深度学习技术的集群电动汽车及家庭热水系统灵活性预测 Article

胡俊杰, 周华嫣然, 周羿宏, 张海婧, Lars Nordströmd, 杨光亚

《工程（英文）》 2021年第7卷第8期页码 1101-1114 doi: 10.1016/j.eng.2021.06.008

摘要：本研究应用一种深度学习技术，即结合时间卷积神经网络的Transformer模型（temporal convolution network-combined transformer）来预测电动汽车与家庭热水系统两种

关键词：负荷灵活性电动汽车家庭热水系统结合时间卷积神经网络的Transformer模型深度学习

HTML PDF 收藏

神经自然语言处理最新进展——模型、训练和推理 Review

周明, 段楠, 刘树杰, 沈向洋

《工程（英文）》 2020年第6卷第3期页码 275-290 doi: 10.1016/j.eng.2019.12.014

摘要：本文将从3个角度回顾神经自然语言处理的最新进展，包括模型、训练和推理。在模型部分，我们将介绍典型的神经网络建模方法，包括词嵌入建模、句子嵌入建模和序列到序列建模等。之所以强调推理方面的研究，是因为推理是构建基于知识的可解释自然语言处理模型的关键技术。本文的最后将概括介绍我们对自然语言处理未来发展方向的一些思考。

关键词：自然语言处理深度学习建模、学习和推理