导读:本文包含了算法框架论文开题报告文献综述及选题提纲参考文献，主要关键词:人工智能,业务服务,总体设计,需求分析,中国航天科工,应用系统,集团公司领导,装备应用,分布式协同,核心算法
算法框架论文文献综述
贾帅楠[1]（2019）在《商密网用户将享受人工智能业务服务》一文中研究指出本报讯12月12日,由中国航天科工航天叁江晨信公司战略发展研究室带领团队研发的“航天新一代人工智能算法与计算框架”在第叁届智能协同云技术与产业发展高峰论坛上正式公开发布。为贯彻落实集团公司在人工智能领域的总体部署,晨信公司在集团公司领导及有关部门(本文来源于《中国航天报》期刊2019-12-24）
杨小冈,李维鹏,马玛双[2]（2019）在《概率框架下多特征显着性检测算法》一文中研究指出显着性检测是计算机视觉的一项基础问题,广泛地用于注视点预测、目标检测、场景分类等视觉任务当中.为提升多特征条件下图像的显着性检测精度,以显着图的联合概率分布为基础,结合先验知识,设计一种概率框架下的多特征显着性检测算法.首先分析了单一特征显着性检测的潜在缺陷,继而推导出多特征下显着图的联合概率分布;然后根据显着图的稀有性,稀疏性,紧凑性与中心先验推导出显着图的先验分布,并使用正态分布假设简化了显着图的条件分布;随后根据显着图的联合概率分布得到其极大后验估计,并基于多阈值假设构建了分布参数的有监督学习模型.数据集实验表明:相比于精度最高的单一特征显着性检测方法,多特征算法在有监督和启发式方法下的平均误差降低了6.98%和6.81%,平均F-measure提高了1.19%和1.16%;单幅图像的多特征融合耗时仅为11.8ms.算法精度较高,实时性好,且可根据不同任务选择所需的特征类别与先验信息,能够满足多特征显着性检测的性能要求.(本文来源于《电子学报》期刊2019年11期）
纪泽宇,张兴军,付哲,高柏松,李靖波[3]（2019）在《分布式深度学习框架下基于性能感知的DBS-SGD算法》一文中研究指出通过增加模型的深度以及训练数据的样本数量,深度神经网络模型能够在多个机器学习任务中获得更好的性能,然而这些必要的操作会使得深度神经网络模型训练的开销相应增大.因此为了更好地应对大量的训练开销,在分布式计算环境中对深度神经网络模型的训练过程进行加速成为了研发人员最常用的手段.随机梯度下降(stochastic gradient descent, SGD)算法是当前深度神经网络模型中最常见的训练算法之一,然而SGD在进行并行化的时候容易产生梯度过时问题,从而影响算法的整体收敛性.现有解决方案大部分针对的是各节点性能差别较小的高性能计算(high performance computing, HPC)环境,很少有研究考虑过各节点性能差别较大的集群环境.针对上述问题进行研究并提出了一种基于性能感知技术的动态batch size随机梯度下降算法(dynamic batch size SGD, DBS-SGD).该算法通过分析各节点的计算能力,对各节点的minibatch进行动态分配,从而保证了节点间每次迭代更新的时间基本一致,进而降低了节点的平均梯度过时值.提出的算法能够有效优化异步更新策略中存在的梯度过时问题.选用常用的图像分类基准Mnist和cifar10作为训练数据集,将该算法与异步随机梯度下降(asynchronous SGD, ASGD)算法、n-soft算法进行了对比.实验结果表明:在不损失加速比的情况下,Mnist数据集的loss函数值降低了60%,cifar数据集的准确率提升了约10%,loss函数值降低了10%,其性能高于ASGD算法和n-soft算法,接近同步策略下的收敛曲线.(本文来源于《计算机研究与发展》期刊2019年11期）
杜小奇[4]（2019）在《多元协作框架下算法的规制》一文中研究指出算法在提高决策效率的同时也产生了算法偏见和算法歧视,算法黑箱的存在使得算法部署者时常以工具中立性为由逃避算法责任,这直接导致了受算法影响的相对人很难获得救济。算法规制的重心应当是对算法不利结果的预防和矫正而非解释算法的输出结果,具体可采取个人、算法部署者和监管机构参与的多元协作规制模式,为个人设置免受算法决策定性的通道,要求算法部署者对算法决策的不利后果实施事前预防、事中控制和事后矫正,督促监管机构进行算法审查并向公众披露信息,以实现推动技术创新和个人权益保护的平衡。(本文来源于《河北法学》期刊2019年12期）
甄兰兰[5]（2019）在《基于模糊逻辑的蒸气云爆炸参数预测框架算法及其应用》一文中研究指出在传统的蒸气云爆炸(Vapor Cloud Explosion,VCE)参数预测的TNO(The Netherlands Organization)多能法中,引入基于模糊逻辑的方法确定爆炸强度等级,提出了基于模糊逻辑的蒸气云爆炸参数预测框架算法(Fuzzy Logic Prediction Framework Algorithm for Vapor Cloud Explosion Parameters,VCEP-FLPFA)。在定义爆炸强度等级隶属度函数时,充分使用专家经验、爆炸历史数据等知识。基于文献数据及经验信息,给出了VCEP-FLPFA的一种实现策略,并以某LPG储配中心为例,对该算法的具体应用进行了说明。(本文来源于《上海电力学院学报》期刊2019年05期）
郭昱普,蔡飞,潘志强[6]（2019）在《基于多目标算法的空中作战任务规划框架研究》一文中研究指出空中作战任务规划是一项复杂的任务,随着空中作战飞行器的种类、数量及其之间交互性的增加,任务规划也变得越来越复杂。任务规划人员必须在有限的时间内制定出最优的任务分配策略。决策支持工具可以辅助任务规划人员找到最优的规划方案。介绍了设计多目标进化算法以及在空中作战任务规划领域的框架和工作流程,具体的任务包括空中打击动态目标的定位问题和情报监视侦察(ISR)任务规划。总结了这些研究的经验教训,探讨了未来可能的发展方向。(本文来源于《导航定位与授时》期刊2019年05期）
宋阳,石鸿雁[7]（2019）在《基于MapReduce框架下的K-means聚类算法的改进》一文中研究指出针对K-means算法处理海量数据的聚类效果和速率,提出一种基于MapReduce框架下的K-means算法分布式并行化编程模型。首先对K-means聚类算法初始化敏感的问题,给出一种新的相异度函数,根据数据间的相异程度来确定k值,并选取相异度较小的点作为初始聚类中心,再把K-means算法部署在MapReduce编程模型上,通过改进MapReduce编程模型来加快K-means算法处理海量数据的速度。实验表明,基于MapReduce框架下改进的K-means算法与传统的K-means算法相比,准确率及收敛时间方面均有所提高,并且并行聚类模型在不同数据规模和计算节点数目上具有良好的扩展性。(本文来源于《计算机与现代化》期刊2019年08期）
王青松,姜富山[8]（2019）在《Hadoop框架下的一种改进的Apriori算法》一文中研究指出常见的基于Hadoop框架的Apriori改进算法在统计支持度时有扫描数据集、候选项集剪枝等方面效率低下且集群间的数据传输有较大的时间开销的问题,提出了一种Apriori的改进算法Apriori_Ind.算法运用Hadoop集群,使用先按事务对数据集分块,再将数据集的格式转换为<项,事务集>的分块处理策略,使算法充分利用分布式计算优势,实现各节点并行的实现候选项集生成与剪枝操作.并利用前项与后项的新结构表示频繁项集,新结构在各节点进行候选项集生成和剪枝时提高算法效率.Apriori_Ind具有减小集群传输代价、加速剪枝等优势.实验表明新算法适合大规模数据挖掘,特别是项的数量较大的情况下,算法性能有明显的提高.(本文来源于《辽宁大学学报(自然科学版)》期刊2019年03期）
那勇[9]（2019）在《Spark框架下基于对比散度的网络服务TLRBM推荐算法》一文中研究指出为提高Web服务推荐算法的可靠性和时效性,提出一种Spark框架下基于对比散度的网络服务推荐算法。基于用户之间的直接信任关系,构建信任网络无向图模型,提出一种基于两层受限玻尔兹曼机的Web服务质量预测模型TLRBM(Two Layers Restricted Boltzmann Machine Model),并将该模型应用于Web服务质量预测。为提高算法处理Web服务大数据的能力,采用对比散度算法CD(Contrastive Divergence)来提高收敛速度,并采用Spark框架实现TLRBM的并行化执行,大幅度提升了Web服务推荐算法的计算速度。通过在Epinions数据集上的仿真测试,验证了该算法在Web服务推荐算法的可靠性和时效性上的性能优势。(本文来源于《计算机应用与软件》期刊2019年08期）
骆轶琪[10]（2019）在《深度学习“奠基人”特伦斯：人工智能算法框架可被科学家掌控》一文中研究指出1989年，特伦斯·谢诺夫斯基在MIT以苍蝇的视觉网络迭代发展举例，将当时并不被看好的神经网络概念普及给支持逻辑计算程序的教员们。到今天，“深度神经网络”已成为人工智能的核心框架，为大众口口相传。这是大自然经过上亿年发展给人类带来的智慧，也意味(本文来源于《21世纪经济报道》期刊2019-08-09）
算法框架论文开题报告
（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：
显着性检测是计算机视觉的一项基础问题,广泛地用于注视点预测、目标检测、场景分类等视觉任务当中.为提升多特征条件下图像的显着性检测精度,以显着图的联合概率分布为基础,结合先验知识,设计一种概率框架下的多特征显着性检测算法.首先分析了单一特征显着性检测的潜在缺陷,继而推导出多特征下显着图的联合概率分布;然后根据显着图的稀有性,稀疏性,紧凑性与中心先验推导出显着图的先验分布,并使用正态分布假设简化了显着图的条件分布;随后根据显着图的联合概率分布得到其极大后验估计,并基于多阈值假设构建了分布参数的有监督学习模型.数据集实验表明:相比于精度最高的单一特征显着性检测方法,多特征算法在有监督和启发式方法下的平均误差降低了6.98%和6.81%,平均F-measure提高了1.19%和1.16%;单幅图像的多特征融合耗时仅为11.8ms.算法精度较高,实时性好,且可根据不同任务选择所需的特征类别与先验信息,能够满足多特征显着性检测的性能要求.
（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。
算法框架论文参考文献
[1].贾帅楠.商密网用户将享受人工智能业务服务[N].中国航天报.2019
[2].杨小冈,李维鹏,马玛双.概率框架下多特征显着性检测算法[J].电子学报.2019
[3].纪泽宇,张兴军,付哲,高柏松,李靖波.分布式深度学习框架下基于性能感知的DBS-SGD算法[J].计算机研究与发展.2019
[4].杜小奇.多元协作框架下算法的规制[J].河北法学.2019
[5].甄兰兰.基于模糊逻辑的蒸气云爆炸参数预测框架算法及其应用[J].上海电力学院学报.2019
[6].郭昱普,蔡飞,潘志强.基于多目标算法的空中作战任务规划框架研究[J].导航定位与授时.2019
[7].宋阳,石鸿雁.基于MapReduce框架下的K-means聚类算法的改进[J].计算机与现代化.2019
[8].王青松,姜富山.Hadoop框架下的一种改进的Apriori算法[J].辽宁大学学报(自然科学版).2019
[9].那勇.Spark框架下基于对比散度的网络服务TLRBM推荐算法[J].计算机应用与软件.2019
[10].骆轶琪.深度学习“奠基人”特伦斯：人工智能算法框架可被科学家掌控[N].21世纪经济报道.2019
标签：人工智能; 业务服务; 总体设计; 需求分析; 中国航天科工; 应用系统; 集团公司领导; 装备应用; 分布式协同; 核心算法;