会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

智慧园区建设方案

1、建设一个统一的园区运营管理平台，统 一管理、统一运营、统一计费、 统一数据2、在建设过程中借鉴智慧社区、智慧园区、智慧城市的商业化经验，整合 相关资源形 成园区商业模式 3、以移动互联网为依托，综合企业、政务、居民等方面全面再现虚拟园区 4、园区建设是一个创新性的工作，促进园 区各系统间的数据共享，实现 业务协同和 决策支持，提高园区管理者的决策能力。

  • 2021-02-13
  • 阅读846
  • 下载1
  • 13页
  • pdf

头豹研究院—工业互联网行业研究报告

“工业互联网”的概念最早由通用电气于2012年提出，随后美国五家行业联手组建了工业互联网联盟（IIC），将这一概念大力推广开来。除了通用电气这样的制造业巨头，加入该联盟的还有IBM、思科、英特尔和AT&T等IT企业。

  • 2021-06-22
  • 阅读846
  • 下载0
  • 22页
  • pdf

大数据分析课件

半个世纪以来，随着计算机技术全面融入社会生活，信息爆炸已经积累到了一个开始引发变革的程度。它不仅使世界充斥着比以往更多的信息，而且其增长速度也在加快。互联网（社交、搜索、电商）、移动互联网（微博）、物联网（传感器，智慧地球）、车联网、GPS、医学影像、安全监控、金融（银行、股市、保险）、电信（通话、短信）都在疯狂产生着数据。

  • 2021-04-25
  • 阅读846
  • 下载0
  • 75页
  • pdf

基于NSGA_算法的站域地下空间规划布局模型_查昞豪

近年来,随着轨道交通的蓬勃发展,站域地下空间开始承担起提高城市发展效能、促成地下空间综合网络化发展的功能。本文根据TOD （Transit-Oriented Development）模式下城市站域地下空间的功能构成要素和规划布局方法,建立了新的站域地下空间规划布局模型。基于用地冲突度、开发效益以及开发规模的多目标优化的数学分析方法,采用NSGA-Ⅱ启发式算法定量分析站域地下空间的规划布局。最后,本文对某地区站域地下空间的总体布局模式进行案例分析,计算结果表明,该模型能够提高站域地下空间的紧凑性和适用性,可用于指导未来城市地下空间的开发利用。

  • 2021-04-22
  • 阅读846
  • 下载0
  • 12页
  • pdf

Reinhard算法模型的色调映射算法的研究

长期以来，图像传感器的动态范围都很小，但是真实场景中亮度的动态变化范围却非常广，平常大部分场最的亮度范围都远远超过了图像传感器所能感受的动态范围，因此，需要-种特殊的图像，即高动态范围图像High Dynamic Range Image . HDRI）来满足要求。动态范围图像是用来实现比普通数字图像技术更大曝光动态范围钾更大的明暗差别）的一组技术， 图像所表现的层次更加丰富图像中高亮度区和低亮度区的细节信息都能很好地保留下来，更接近于人眼观测到的真实场景”。为了解决真实场量与传统显示设备动态范围不匹配的矛盾，国内外学者提出了很多色调映射Gone Mayong）算法来实现在传统显示器上显示高动态范围图像。本文主要研究Reinhanl基于摄影校型的色调映则算法

  • 2021-04-17
  • 阅读846
  • 下载0
  • 4页
  • pdf

如何提高"强化学习算法模型"的泛化能力?

在深度学习中，模型很容易过拟合到参与训练的数据集。因此，深度学习训练模型的时候通常会将数据集分成训练集和测试集，保证训练的模型在测试集上仍然有很好的性能，即模型的泛化能力。在深度强化学习的应用中，模型的泛化能力也同样重要。本文将介绍最近深度强化学习领域中提高模型泛化能力的一些方法，如域随机化、正则等。

  • 2021-04-17
  • 阅读846
  • 下载0
  • 13页
  • pdf

如何构建阿里小蜜算法模型的迭代闭环？

伴随着AI的兴起，越来越多的智能产品诞生，算法链路也会变得越来越复杂，在工程实践中面临着大量算法模型的从0到1快速构建和不断迭代优化的问题，本文将介绍如何打通数据分析-样本标注-模型训练-监控回流的闭环，为复杂算法系统提供强有力的支持。

  • 2021-04-17
  • 阅读846
  • 下载0
  • 15页
  • pdf

机器学习中的模型评价、模型选择及算法选择

正确使用模型评估、模型选择和算法选择技术无论是对机器学习学术研究还是工业场景应用都至关重要。本文将对这三个任务的相关技术进行回顾，并就每种技术的理论和实证研究的主要优缺点进行讨论。文章还将就机器学习算法中的超参数调优给出尽可能的建议，用以实现最佳的算法效果。文中内容涉及很多常用方法，比如模型评估和选择中的Holdout方法等；介绍了bootstrap技术的不同变体，通过正态逼近得到置信区间来衡量性能估计（performance estimates）的不确定性；在讨论偏差-方差（bias-variance）折中方案时，对比了留一交叉验证法（leave-one-out cross validation）和k-fold交叉验证法，并提供了在k-fold交叉验证中最优k值的选择技巧。

  • 2021-04-18
  • 阅读846
  • 下载0
  • 41页
  • pdf