将人工生命与人工智能相结合,并应用于计算机动画的研究.在用人工生命方法生成的计算机动画中,智能生命在虚拟环境中的行为有程序员事先设定好的预定义行为,同时也有随机出现的随意性行为.以人工鱼为例,建立了智能生命随意性行为的认知模型,并利用子集搜索等技术提高搜索效率.仿真结果表明,利用认知模型,智能生命可以较好地处理某些随机事件

一、建设基础 （一）专业群优势特色 （二）面临的机遇和挑战 二、组群逻辑 （一）专业群与产业（链）的对应性 （二）专业群人才培养定位 （三）群内专业的逻辑性 三、建设目标 （一）总体目标 （二）具体目标 四、建设内容与举措 （一）创新人才培养模式，培育一流技术技能人才 （二）深化课程改革，创建丰富优质信息化课程资源 （三）利用人工智能技术，推动教材及教法全新革命 （四）引培结合，打造高水平结构化师资团队 （五）校企融合，共创高水平实践教学基地 （六）多方协同，打造高水平技术技能创新服务平台 （七）精准定位，充分发挥专业群社会服务能力和水平 （八）加强国际交流与合作，扩大专业群国际影响力 （九）强化监督管理，建立可持续发展保障机制 （十）夯实特色产业学院建设，打造产教融合全国名片 五、预期成效 （一）项目建设预期成效 （二）标志性成果 六、建设进度 七、经费预算

随着无人工厂、智能安监等技术在制造业领域的深入应用，以视觉识别预警系统为代表的复杂环境下动态识别技术成为智能工业领域的重要研究内容之一。在本文所述的工业级视觉识别预警系统中，操作人员头发区域由于其具有移动形态非规则性、运动无规律性的特点，在动态图像中的实时分割较为困难。针对此问题，提出一种基于SiamMask模型的时空预测移动目标跟踪算法。该算法将基于PyTorch深度学习框架的SiamMask单目标跟踪算法与ROI检测及STC时空上下文预测算法相融合，根据目标时空关系的在线学习，预测新的目标位置并对SiamMask模型进行算法校正，实现视频序列中的目标快速识别。实验结果表明，所提出的算法能够克服环境干扰、目标遮挡对跟踪效果的影响，将目标跟踪误识别率降低至0.156%。该算法计算时间成本为每秒30帧，比改进前的SiamMask模型帧率每秒提高3.2帧，算法效率提高11.94%。该算法达到视觉识别预警系统准确性、实时性的要求，对移动目标识别算法模型的复杂环境应用具有借鉴意义