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

李德毅院士：认知的形式化

摘要 人类认知的整个活动，就是如何解释、解决人类在生存和繁衍过程中所遇到的现实问题。通过分析古今中外著名的认知案例，概括人类认知的4种基本模式为记忆驱动的经验模式(OOA)、知识驱动的推理模式(OODA)、联想驱动的创造模式(OOCA)以及假说驱动的发现模式(OOHA)，用这4个相对独立的认知模式来完成认知的形式化，OOA和OOCA两个模式是由下而上思维，从物理空间转向认知空间；OODA和OOHA两个模式是由上而下思维，从认知空间转向物理空间。4个模式发生的频度不同，相互之间的转换带有不确定性，共同构成了趋于统一的无尽认知。认知的形式化为构建可交互、会学习和自成长的新一代人工智能系统架构奠定了基础。 关键词：认知形式化；认知螺旋；迭代；多元认知；认知模式；自成长

  • 2024-07-17
  • 阅读876

基于pytorch+Resnet101加GPT搭建AI玩王者荣耀

在图中设定下，Android指针坐标(X,Y)对应minitouch坐标(1080-Y,X)：即在点按屏幕中某点时，安卓调试显示的(X,Y)在.json文件中的坐标应为(1080-Y,X)。'check_json.py'为调试和生成本地.json按键映射文件的脚本。此外，'处理训练数据5.py'中：‘加一技能’，‘加二技能’，‘加三技能’，‘购买’变量也许进行同样处理。运行 “训练数据截取_A.py” 时可以通过按键操控角色，这时就可以生成训练用的数据，如果没有操控则会生成一个空文件夹和空json文件。

  • 2023-04-24
  • 阅读869

电力设备图像智能识别技术实用化提升与实践

介绍电力设备图像识别的应用背景和关键技术，分享应用案例，最后做了总结和展望。新型电力系统建设的加快深入推进，对电网持续可靠供电、安全稳定运行等方面提出了更高的要求，传统模式在平衡安全经济、绿色发展过程中的矛盾日益凸显，巫需结合智能化、数字化技术，推进图像智能识别技术应用，赋能智能巡检终端，实现设备监控集约化与管理精益化，推进电网向能源互联网加快升级和数字化转型

  • 2023-11-23
  • 阅读865

工厂的计划排程问题及算法

不能小看仅仅是一个车间一个工厂的计划排程问题，从学术上讲，这是一个大系统、复杂系统的优化问题。 MES是智能工厂的核心，将前端产品设计、工艺定义阶段的产品数据管理与后端制造阶段的生产数据管理融合，实现产品设计、生产过程、维修服务闭环协同全生命周期管理。

  • 2022-08-31
  • 阅读864

四种软件架构概述

单体架构 分布式架构 微服务架构 serverless架构

  • 2021-04-29
  • 阅读863
  • 下载1
  • 10页
  • docx

Energy基于自关注机制的CNN-LSTM模型的油井产量预测

为了克服目前油井产量预测研究中的不足，我们提出了一种结合卷积神经网络（CNN）、长短期记忆（LSTM）神经网络和自我注意机制（SA）的组合模型（CNN-LSTM-SA）。CNN-LST’M-SA模型由五个部分组成：输入层、CNN模块、LS’T’M层、自我关注层和输出层。在该模型中，CNN用于提取输入数据的时空特征，LSTM用于提取相关信息，SA用于捕获内部相关性。与传统的机器学习方法相比，如线性回归（LR）支持向量机（SVM）、随机森林（RF）、XGBoost和反向传播（BP）神经网络；以及LSTM、LST'M-SA和CNN-LSTM等深度学习方法，CNN-LSTM-SA模型可以更全面地提取油井生产数据中隐藏的时空特征。它能够更精确地挖掘油井生产数据中的内部相关性，从而提高油井生产预测的准确性。更具体地说，在现有的方法中，CNN-LSTM-SA模型在适应油井生产的基本趋势和预测油井生产的具体值方面表现最佳。卷积神经网络、长短期记忆、自我注意机制、油井生产、预测

  • 2025-02-05
  • 阅读863

达索、西门子、PTC：工业软件三大顶部PLM玩家的战略布局分析

至今，设计软件CAD行业的发展已经走过六十年，多少早期的CAD公司已经身影不再。而在高端CAD领域只剩下这三家：达索系统、PTC和西门子PLM。然而，“高端CAD”只是他们过去共有的一个特征。在当下数字化的世界，各家的天空变得更加开阔起来。正是这些多姿多彩地特征，清晰地反映了工业软件发展的未来。

  • 2021-03-24
  • 阅读854
  • 下载0
  • 14页
  • pdf

【IEEETIM】A-Net：一种用于实时表面缺陷分割的A形轻量级神经网络

表面缺陷分割是工业质量控制中的一项关键任务。现有的神经网络架构在提供实时性能和高精度方面经常面临挑战，限制了它们在时间敏感、资源受限的工业环境中的实际应用。为了弥补这一差距，我们引入了A-Net，这是一种专门为实时表面缺陷分割设计的A型轻量级神经网络。最初，A-Net引入了一种开创性的A型架构，可有效处理低级细节和高级语义信息。其次，设计并明确设计了一系列轻量级特征提取块，以满足工业缺陷分割的严格要求。最后，跨多个行业标准基准的严格评估证明了A-Net的卓越效率和高性能。与建立良好的U-Net相比，A-Net在NEU seg、DAGM seg、MCSD seg和MT数据集上分别获得了？0.21%、？0.3%、+4.7%和+5.94%的可比或优于并集的交集（IoU）分数。值得注意的是，A-Net只使用了0.39M个参数，减少了98.8%，并使用了0.44G个浮点运算（FLOP），减少了99%的计算负载。此外，A-Net由于其较低的FLOP，在没有GPU的边缘设备上显示出极快的推理速度。A-Net有助于开发有效和高效的缺陷分割网络，适用于资源有限的现实世界工业应用。

  • 2024-06-17
  • 阅读851