• 首页

  • 方案库

  • 工业品库

  • 招标项目库

  • 专家库

  • 人才库

会员中心
搜索
登录
注册
  • 方案名称

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
  • 全部
  • 人气排行
  • 下载排行
  • 页数排行
  • 最新排行

IEEETII基于随机权重网络的多目标增量建模

本文提出了一种基于图片-正则化的多目标IRWN来解决多目标过程建模问题。在常规IRWN中引入特征层,以提高特征提取能力。此外,采用了一个集成图片范数正则化的目标函数来捕捉目标之间的潜在关系。此外,通过Greville方法,构建了一个全局质量约束,并用于选择有效的随机参数,以同时提高性能并确保所提出方法的收敛性。最后,在六个基准数据集和真实的多目标建模过程中测试了所提出方法的泛化性能。实验结果表明,所建立的模型非常适合多目标应用。 虽然MTIRWN可以有效地处理多目标建模问题,但仍需要考虑一些局限性。1)随着概念漂移问题的出现,MTIRWNs的准确性和鲁棒性肯定会受到影响。在未来,将进一步探索考虑概念漂移的鲁棒和自适应增量学习。2) 由于ADMM和特征层的结合,MTIRWN的构建需要花费更多的时间。在未来的工作中,将采用基于GPU的优化方法,并探索有限元纯层参数确定方法,以降低计算成本。3) 在未来,我们将考虑大量隐藏节点的建模误差缓慢下降的现象。并且,我们希望将所提出的方法与建模误差的加速减小方法相结合,建立一个隐藏节点较少的强大多目标学习模型。

  • 2024-12-19
  • 阅读504

自动驾驶算法——理解强化学习(一)

强化学习位于多个领域的交叉点,但其基本理念相同:决策科学。在计算机科学中,它是机器学习;在神经科学中,它是奖励系统。在工程学中,它是最优控制。

  • 2024-12-18
  • 阅读406

自动驾驶算法——理解强化学习(二)

动态规划一般需要具备2个性质:最佳子结构→你可以将某些 RL 问题分解为≥2 个部分,然后解决它们,最后将它们组合起来找到最佳问题,从而解决该问题。重叠子问题→子问题可以出现多次,通过将问题分解为子问题,我们可以获得一些好处。

  • 2024-12-18
  • 阅读389

自动驾驶算法——理解强化学习(四)

首先回顾这个系列前几篇文章:自动驾驶算法——理解强化学习(一) 和 自动驾驶算法——理解强化学习(二)和自动驾驶算法——理解强化学习(三)。

  • 2024-12-19
  • 阅读372

自动驾驶算法——理解强化学习(三)

MC 方法很简单;你只是直接从经验情节中学习。它之所以无模型,是因为没有任何关于 MDP 转换/奖励的知识。它使用简单的“价值 = 平均回报”这一想法从完整的情节中学习。警告:只能将 MC 应用于情节 MDP,并且所有情节都必须终止。

  • 2024-12-19
  • 阅读392

自动驾驶算法——理解强化学习(五)

首先回顾这个系列前几篇文章:自动驾驶算法——理解强化学习(一) 和 自动驾驶算法——理解强化学习(二)和自动驾驶算法——理解强化学习(三)和自动驾驶算法——理解强化学习(四)。

  • 2024-12-19
  • 阅读416

SCI论文学习|一种基于联邦学习的边云协同机器剩余使用寿命预测的方法

本期给大家推荐郭亮教授的一种基于联邦学习的边云协同机器剩余使用寿命预测的方法。针对实际工业应用中智能方法预测剩余使用寿命(Remaining Useful Life)时出现的边缘客户端计算能力较弱、数据量有限以及所有边缘客户端数据不共享的问题,提出了一种基于联邦学习的RUL预测方法——FedRUL。该方法利用多个边缘客户端和一个云服务器在不共享数据的情况下训练全局编码器和剩余寿命预测器。首先,将所有的局部训练数据集馈送到相应的客户端,用于训练自己的卷积自编码器(Convolutional Autoen-coder)。然后,将所有客户端的编码器上传到服务器对编码器进行聚合。最后,服务器将全局编码器和RUL预测器分发给所有客户端,以实现相应的剩余寿命预测任务。通过铣刀数据集和轴承数据集验证了该方法的有效性。

  • 2024-12-19
  • 阅读530

IEEETII一种可解释的增量随机权重神经网络构造算法及其应用

本文旨在为增量随机权重神经网络(IRWNN)提供一种可解释的学习范式。IRWNNs因其易于部署和快速学习速度而成为神经网络算法的热门研究方向。然而,现有的IRWNN难以解释隐藏节点(参数)如何影响网络残差的收敛。为了解决这一差距,本文提出了一种可解释的构造算法(lCA)。具体来说,我们首先对网络构建过程进行空间几何分析,建立网络残差和隐藏参数之间的空间几何关系,以可视化隐藏参数对网络残差收敛的影响。其次,基于空间几何关系和节点池策略,建立了一种具有空间几何信息的可解释控制策略,以获得有助于网络残差收敛的隐藏参数。此外,为了便于lCA处理大数据的复杂任务,本文提出了一种低复杂度的轻量级ICA,即ICA+。最后,从理论上证明了本文提出的ICA和ICA+具有普遍的逼近性质。在两个真实世界数据集和七个基准数据集上的实验结果表明,所提出的ICA和ICA+在快速学习、良好泛化和网络结构紧凑性方面具有优势。关键词:数据建模、可解释构造算法、神经网络(NN)、随机算法、空间几何信息。

  • 2024-12-16
  • 阅读578
上一页 1 …… 3132333435363738394041 …… 2194 下一页 共 17546 条


立即登录

没有账户,需要注册

登录用户可享受以下权益
  • 免费下载方案
  • 服币提现
  • 发布方案得服币
  • 交易分成

精品推荐

人工智能大模型分类体系、技术特点及主流厂商概览

语言模型、视觉模型、语音模型、视频模型、时序模型,分别对应文字、图像、声音、视频、连续传感器数值,通用大模型,垂类大模型,AI

  • 阅读27
  • 下载0

工业时序基础大模型技术发展综述

时序大模型是面向时间序列数据的基础大模型,以 Transformer 等架构为核心,通过在海量多领域时序数据上进行预训练,学习时间维度上的通用模式、周期规律与长距离依赖关系。区别于传统时序模型针对单一任务单独训练,时序大模型具备强大的迁移能力,只需少量样本微调或零样本提示,即可适配时序预测、异常检测、缺失值补全、时序分类等下游任务。在工业场景中,它能够直接处理传感器、设备测点产生的海量时序信号,挖掘设备状态演变规律,支撑设备故障预警、工况识别与生产趋势预判,为工业智能落地提供底层模型能力。如:中服云的CServerAIR

  • 阅读898
  • 下载8

2026“人工智能+”行业发展蓝皮书

2025年,全球人工智能市场规模达到3909亿美元,中国人工智能核心产业规模突破9000亿元。AIAgent细分市场以49.6%的年复合增长率高速扩张,制造业应用大模型的企业比例在一年之内从9.6%跃升至47.5%。从2024年初,中国日均词元(Token)调用量为1000亿;至2025年底,跃升至100万亿;2026年3月,已突破140万亿,两年增长超千倍。这些数字背后,是一场深刻变革的加速到来-人工智能正在从"能力突破"走向“系统重构”。

  • 阅读2674
  • 下载8

中服云能碳管理平台V5.0

中服云能碳管理系统依托中服云工业物联网底座打造,聚焦工业企业能耗管控与碳资产管理需求。 系统整合水、电、气、热等多类能源数据,实现用能实时采集、集中监测、智能分析。 依托数字化手段精准核算碳排放总量,助力企业摸清碳排底数、合规完成台账管理。 通过节能诊断、能耗优化策略推送,有效降低生产能耗与运营成本。 全方位赋能企业绿色低碳转型,筑牢安全生产与节能减排双重发展防线。

  • 阅读3140
  • 下载14

最新上线

人工智能大模型分类体系、技术特点及主流厂商概览

语言模型、视觉模型、语音模型、视频模型、时序模型,分别对应文字、图像、声音、视频、连续传感器数值,通用大模型,垂类大模型,AI

  • 阅读27
  • 下载0

中服云数字孪生工具简介

详细介绍了中服云数字孪生普通中的数字孪生工具能力,并详细说明了他的开发过程,适应场景,典型应用

  • 阅读80
  • 下载1

智能仓储数字孪生场景案例

传统仓库是个黑箱,货在哪、有多少、好不好,全靠人跑、靠表记。这套系统把黑箱变成了「透明玻璃房」——数字孪生、物联网、3D 组态三套技术叠在一起,让每一件物资、每一台设备、每一个货位,在屏幕上都有一个实时同步的「数字分身」

  • 阅读32
  • 下载0

面向词元(Token)服务的智算基础设施发展研究报告

中服云工业物联网平台,为速冻食品企业构建速冻工序数据监控体系。速冻库温度、风速、速冻时间——实时采集、自动记录。每一批产品的“速冻档案”完整可查。温度异常自动报警,工艺参数自动比对。

  • 阅读72
  • 下载1
  • 关于我们

    电话:029-8838-6725

  • 新闻资讯

    企业简介 新闻动态 品牌实力 代理合作 诚聘英才 联系我们

  • 中服云

  • 工业互联网风向标

  • 在线咨询

西安/北京/南京/重庆/合肥/厦门/甘肃 地址:陕西省西安市雁塔区鱼跃工业园慧康生物科技产业园7楼 电话: 029-8838-6725

版权所有 @ 中服云 陕ICP备11002812号
  • 扫码咨询

    或

    点击立即咨询
  • 客服咨询

  • 用手机扫二维码

    或

    复制当前地址

  • 问题反馈 中服大讲堂 客服电话

方案库赚钱指南