建立了一个类人的机器人关节,由两条对抗设置的Mckibben人工肌肉驱动.简单介绍了Mckibben肌肉的力特性模型,推导了关节角度和Mckibben肌肉长度间的关系,从力学角度讨论了最大可能旋转角度,分析了Mckibben肌肉与关节的连接位置及关节结构参数对关节旋转角度的影响,并把类人关节和人类关节进行了比较.结果表明,Mckibben肌肉的收缩率和关节结构参数对关节旋转角有较大影响,关节内侧的Mckibben肌肉与关节的适中连接位置可使关节角达到极大值

早期的语言设计需使程序能高效地运行于昂贵的硬件上,因此, 早期语言总以翻译成高效的机器码为目标,既使程序难以书写 现在,硬件价格下降、软件价格上升,更强调程序容易书写, 即使慢点也可。例如,ML的类型特性、C++的类、Ada的 Package均在执行速度上有代价,但对保证程序正确性有帮助。 开发语言时,有三个影响语言设计的主要因素: 计算机本身 在计算机上支持语言的执行模型,即虚拟计算机 语言所实现的计算模型

本文从生物视觉采样模型、神经形态视觉传感器的采样模型及类型、视觉信号处理与特征表达、视觉任务应用等视角进行了系统性的回顾与综述,展望了该领域未来研究的技术挑战与可能发展方向,同时探讨了其对未来机器视觉和人工智能领域的潜在影响

准确预测机场航班延误情况,对于全面协调空管、机场、航空公司的运行至关重要。目前,长短期记忆(LSTM)神经网络在各领域得到广泛应用,特别是在预测方面,精度明显高于传统的机器学习预测方法

图像增强是图像处理的基本内容之一。图像增强是指 按特定的需要突出一幅图像中的某些信息,同时,削弱或 去除某些不需要的信息。这类处理是为了某种应用目的去 改善图像质量,处理的结果更适合于人的视觉特性或机器 识别系统。增强处理并不能增加原始图像的信息,而只能 增强对某种信息的辨识能力,并且这种处理有可能损失一 些其它信息。 图像增强技术主要包括直方图处理、图像点处理、图 像平滑处理、图像锐化处理、伪彩色技术及图像几何处理 等。 图

• 概念学习 – 给定某一类别的若干正例和反例，从中获得该类别 的一般定义。 • 搜索的观点 – 在预定义的假设空间中搜索假设，使其与训练样例 有最佳的拟合。 – 利用假设空间的偏序结构 • 算法收敛到正确假设的条件 • 归纳学习的本质，从训练数据中泛化的理由

针对轮船螺旋桨清洗时因空间结构曲面复杂而难清理的问题,设计一种搭载于水下吸附式机器人载体上的射流超灵巧机械臂(hyper-dexterous manipulator,HDM)清洗装置.结合无骨架类生物肌肉高自由度特点构建超灵巧机械臂结构,采用虎克铰接的连接方式替换相邻关节连接处的柔性构件,兼顾了高压水射流承载压力高的特点.运用几何分析法对单端机械臂进行正逆运动学建模,基于多关节连杆变换通式推导出基于等圆弧假设下的机械臂模型,进而得出其多关节驱动空间与操作空间的映射关系.仿真实验和物理实验对比结果表明,所设计的机械臂能够达到期望的操作空间位姿,并能在加载实验下保证一定的鲁棒性

 自然语言处理概述 ◼ 什么是自然语言处理 ◼ 自然语言处理的典型应用 ◼ 自然语言处理的基本任务 ◼ 自然语言处理的基本策略和实现方法 ◼ 自然语言处理的难点 ◼ 自然语言处理所涉及的学科  基于规则（知识工程）的自然语言处理方法（理性方法，传统方法） ◼ 基于词典和规则的形态还原（英语）、词性标注以及分词（汉语、日语） ◼ 基于CFG（上下文无关文法）和扩充的CFG（复杂特征集、合一运算）的句法分析 ◼ 基于逻辑形式和格语法的句义分析 ◼ 基于规则的机器翻译  基于语料库（数据）的自然语言处理方法（经验方法） ◼ 语言模型（N元文法） ◼ 分词、词性标注（序列化标注模型） ◼ 句法分析（概率上下文无关模型、移进-规约分析器） ◼ 文本分类（朴素贝叶斯模型、最大熵模型） ◼ 情感分析 ◼ 机器翻译 (IBM Model等) ◼ ......（基于神经网络的深度学习方法）

人工智能特别是近几年深度学习的飞速发展，深刻的影响着军事领域，并赋予现代战争智能性、交叉性和破坏性的新特点。要想在军事对抗中取胜，不仅需要机器智能，同样需要人类智慧，能在军事作战中达到人机高度协同，是实现人与机器取长补短的重要途径，也是在愈发复杂的战争形势中取得胜利的关键。本文将军事对抗中人工智能的应用作为切入点，罗列了代表性国家在军事领域对人工智能的重视程度，从对抗策略和物联网三层架构两大角度对发展现状进行总结，同时指出在目前军事领域使用人工智能存在的不足，对人机融合智能在军事对抗中的发展趋势进行分析，并给出可能实现的技术方案，对未来的研究方向作出展望。如何实现高度的人机融合，从而获得“1+1>2”的良好效果，是人工智能在军事对抗中的下一步研究工作

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确