卷積神經(jīng)網(wǎng)絡(luò)優(yōu)勢精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的卷積神經(jīng)網(wǎng)絡(luò)優(yōu)勢主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：卷積神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

【關(guān)鍵詞】深度神經(jīng)網(wǎng)絡(luò) 序列到序列網(wǎng)絡(luò) 卷積網(wǎng)絡(luò) 對抗式生成網(wǎng)路

1 深度神經(jīng)網(wǎng)絡(luò)起源

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，ANN）研究是人工智能領(lǐng)域的一個重要分支，在對生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其機制研究的基礎(chǔ)上，構(gòu)建類似的人工神經(jīng)網(wǎng)絡(luò)，使得機器能直接從大量訓(xùn)練數(shù)據(jù)中學(xué)習(xí)規(guī)律。其研究最早可以追溯到1957年Frank Rosenblatt提出的感知機模型，他在《The Perceptron： A Probabilistic Model for Information Storage and Organization in the Brain》建立了第一個人工神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型，19世紀(jì)80年代末期反向傳播（Back Propagation）算法的發(fā)明更是帶來了ANN的學(xué)習(xí)熱潮，但由于理論分析難度較大，訓(xùn)練方法及技巧尚不成熟，計算機運算能力還不夠強大，這個時期ANN結(jié)構(gòu)較為簡單，大部分都可等價為單隱層神經(jīng)網(wǎng)絡(luò)，主要是進行淺層學(xué)習(xí)（Shallow Learning）研究。

2006年Geoffrey Hinton在《A Fast Learning Algorithm for Deep Belief Nets》中提出了逐層貪婪預(yù)訓(xùn)練（layerwise greedy pretraining），顯著提高了MNIST手寫數(shù)字識別的準(zhǔn)確率，開創(chuàng)了深度學(xué)習(xí)的新方向；隨后又在《Reducing the Dimensionality of Data with Neural Networks》中提出了deep autoencoder結(jié)構(gòu)，在圖像和文本降維實驗上明顯優(yōu)于傳統(tǒng)算法，證明了深度學(xué)習(xí)的正確性。以這兩篇論文為開端，整個學(xué)術(shù)界掀起了對深度學(xué)習(xí)的研究熱潮，由于更多的網(wǎng)絡(luò)層數(shù)和參數(shù)個數(shù)，能夠提取更多的數(shù)據(jù)特征，獲取更好的學(xué)習(xí)效果，ANN模型的層數(shù)和規(guī)模相比之前都有了很大的提升，被稱之為深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）。

2 深度神經(jīng)網(wǎng)絡(luò)的現(xiàn)代應(yīng)用

2010年以來，隨著理論不斷創(chuàng)新和運算能力的增長，DNN被應(yīng)用到許多領(lǐng)域并取得了巨大的成功。2011年微軟和谷歌的研究員利用DNN將語音識別的錯誤率降低了20%～30%；2012年在ImageNet圖像識別挑戰(zhàn)賽（ILSVRC2012）中DNN更是將識別錯誤率從26%降到了15%；2016年3月DeepMind團隊研發(fā)的圍棋軟件AlphaGO以4：1的巨大優(yōu)勢戰(zhàn)勝了世界圍棋冠軍李世石，2017年1月初AlphaGO的升級版Master以60：0的戰(zhàn)績擊敗了數(shù)十位中日韓圍棋高手。當(dāng)前對DNN的研究主要集中在以下領(lǐng)域：

2.1 語音識別領(lǐng)域

微軟研究院語音識別專家鄧立和俞棟從2009年開始和深度學(xué)習(xí)專家Geoffery Hinton合作，并于2011年宣布推出基于DNN的識別系統(tǒng)，徹底改變了語音識別的原有技術(shù)框架；2012年11月，百度上線了第一款基于DNN的語音搜索系統(tǒng)，成為最早采用DNN技術(shù)進行商業(yè)語音服務(wù)的公司之一；2016年微軟使用循環(huán)神經(jīng)網(wǎng)絡(luò)語言模型（Recurrent Neural Network based Language Modeling，RNN-LM）將switchboard的詞識別錯誤率降低到了6.3%。

2.2 圖像識別領(lǐng)域

早在1989年，YannLeCun和他的同事們就提出了卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Networks，CNN）結(jié)構(gòu)。在之后的很長一段時間里，CNN雖然在諸如手寫數(shù)字問題上取得過世界最好的成功率，但一直沒有被廣泛應(yīng)用。直到2012年10月，Geoffrey Hinton在ILSVRC2012中使用更深的CNN將錯誤率從26%降到15%，業(yè)界才重新認(rèn)識到CNN在圖像識別領(lǐng)域上的巨大潛力；2012年谷歌宣布基于CNN使得電腦直接從一千萬張圖片中自發(fā)學(xué)會貓臉識別；2013年DNN被成功應(yīng)用于一般圖片的識別和理解；2016年DeepMind團隊基于CNN研發(fā)了圍棋AI，并取得了巨大成功。

2.3 自然語言處理領(lǐng)域

2003年YoshuaBengio等人提出單詞嵌入（word embedding）方法將單詞映射到一個矢量空間，然后用ANN來表示N-Gram模型；2014年10月NEC美國研究院將DNN用于自然語言處理（Natural language processing，NLP）的研究工作，其研究員Ronan Collobert和Jason Weston從2008年開始采用單詞嵌入技術(shù)和多層一維卷積的結(jié)構(gòu)，用于POS Tagging、Chunking、Named Entity Recognition、Semantic Role Labeling等四典型NLP問題；2014年IlyaSutskever提出了基于LSTM的序列到序列（sequence to sequence，seq2seq）網(wǎng)絡(luò)模型，突破了傳統(tǒng)網(wǎng)絡(luò)的定長輸入向量問題，開創(chuàng)了語言翻譯領(lǐng)域的新方向；2016年谷歌宣布推出基于DNN的翻譯系統(tǒng)GNMT（Google Neural Machine Translation），大幅提高了翻譯的精確度與流暢度。

3 深度神經(jīng)網(wǎng)絡(luò)常見結(jié)構(gòu)

DNN能夠在各領(lǐng)域取得巨大成功，與其模型結(jié)構(gòu)是密不可分的，現(xiàn)代DNN大都可歸納為三種基本結(jié)構(gòu)：序列到序列網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)、對抗式生成網(wǎng)絡(luò)，或由這三種基本網(wǎng)絡(luò)結(jié)構(gòu)相互組合而成。

3.1 序列到序列網(wǎng)絡(luò)

序列到序列網(wǎng)絡(luò)的最顯著特征在于，它的輸入張量和輸出張量長度都是動態(tài)的，可視為一串不定長序列，相比傳統(tǒng)結(jié)構(gòu)極大地擴展了模型的適應(yīng)范圍，能夠?qū)π蛄修D(zhuǎn)換問題直接建模，并以端到端的方式訓(xùn)練模型。典型應(yīng)用領(lǐng)域有：自動翻譯機（將一種語言的單詞序列轉(zhuǎn)換為另一種語言的單詞序列），語音識別（將聲波采樣序列轉(zhuǎn)換為文本單詞序列），自動編程機研究（將自然語言序列轉(zhuǎn)換為語法樹結(jié)構(gòu)），此類問題的特點在于：

（1）輸入和輸出數(shù)據(jù)都是序列（如連續(xù)值語音信號/特征、離散值的字符）；

（2）輸入和輸出序列長度都不固定；

（3）輸入輸出序列長度沒有對應(yīng)關(guān)系。

其典型如圖1所示。

網(wǎng)絡(luò)由編碼器（encoder）網(wǎng)絡(luò)和解碼器網(wǎng)絡(luò)（decoder）兩部分連接構(gòu)成：

3.1.1 編碼器網(wǎng)絡(luò)

編碼器網(wǎng)絡(luò)通常是一個遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN），網(wǎng)絡(luò)節(jié)點一般使用長短期記憶模型（Long Short Term Memory，LSTM）實現(xiàn)，序列中里第t個張量xt的輸出yt依賴于之前的輸出序列（y0、y1…yt-1），輸入序列（x0、x1、x2…）那爸梁笠來問淙臚絡(luò)，整個序列處理完后得到最終的輸出Y以及各層的隱藏狀態(tài)H。

3.1.2 解碼器網(wǎng)絡(luò)

解碼器網(wǎng)絡(luò)是一個與編碼器網(wǎng)絡(luò)結(jié)構(gòu)相同的RNN網(wǎng)絡(luò)，以解碼器的最終輸出（Y，H）為初始輸入，使用固定的開始標(biāo)記S及目標(biāo)序列G當(dāng)作輸入數(shù)據(jù)進行學(xué)習(xí)，目標(biāo)是使得在X輸入下Y和G盡量接近，即損失度函數(shù)f（X）取得最小值。

解碼器網(wǎng)絡(luò)屬于典型的監(jiān)督學(xué)習(xí)結(jié)構(gòu)，可以用BP算法進行訓(xùn)練，而編碼器網(wǎng)絡(luò)的輸出傳遞給了解碼器網(wǎng)絡(luò)，因此也能同時進行訓(xùn)練。網(wǎng)絡(luò)模型學(xué)習(xí)完畢后，將序列X輸入編碼器，并將起始標(biāo)記S輸入解碼器，網(wǎng)絡(luò)就會給出正確的對應(yīng)序列。

3.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)將傳統(tǒng)圖像處理的卷積運算和DNN相結(jié)合，屬于前饋神經(jīng)網(wǎng)絡(luò)，是在生物視覺皮層的研究基礎(chǔ)上發(fā)展而來的，在大型圖像處理上有出色表現(xiàn)。CNN一般由多個結(jié)構(gòu)相似的單元組成，每個單元包含卷積層（convolution layer）和池化層（poolinglayer），通常網(wǎng)絡(luò)末端還連接全聯(lián)通層（fully-connected layer，F(xiàn)C）及Softmax分類器。這種結(jié)構(gòu)使得CNN非常適合處理二維結(jié)構(gòu)數(shù)據(jù)，相比其它DNN在圖像處理領(lǐng)域上具有天然優(yōu)勢，CNN的另一優(yōu)勢還在于，由于卷積層共享參數(shù)的特點，使得它所需的參數(shù)數(shù)量大為減少，提高了訓(xùn)練速度。其典型結(jié)構(gòu)如圖2所示：

3.2.1 卷積層（Convolutional layer）

卷積層由若干卷積核構(gòu)成，每個卷積核在整個圖像的所有通道上同時做卷積運算，卷積核的參數(shù)通過BP算法從訓(xùn)練數(shù)據(jù)中自動獲取。卷積核是對生物視覺神經(jīng)元的建模，在圖像局部區(qū)域進行的卷積運算實質(zhì)上是提取了輸入數(shù)據(jù)的特征，越深層的卷積層所能提取到的特征也越復(fù)雜。例如前幾個卷積層可能提取到一些邊緣、梯度、線條、角度等低級特征，后續(xù)的卷積層則能認(rèn)識圓、三角形、長方形等稍微復(fù)雜的幾何概念，末尾的卷積層則能識別到輪子、旗幟、足球等現(xiàn)實物體。

3.2.2 池化層（Poolinglayer）

池化層是卷積網(wǎng)絡(luò)的另一重要部分，用于縮減卷積層提取的特征圖的尺寸，它實質(zhì)上是某種形式的下采樣：將圖像劃分為若干矩形區(qū)塊，在每個區(qū)塊上運算池化函數(shù)得到輸出。有許多不同形式的池化函數(shù)，常用的有“最大池化”（maxpooling，取區(qū)塊中數(shù)據(jù)的最大值）和“平均池化”（averagepooling，取區(qū)塊中數(shù)據(jù)的平均值）。池化層帶來的好處在于：

（1）減小了數(shù)據(jù)尺寸，降低參數(shù)的數(shù)量和計算量；

（2）模糊了各“像素”相對位置關(guān)系，泛化了網(wǎng)絡(luò)識別模式。

但由于池化層過快減少了數(shù)據(jù)的大小，導(dǎo)致，目前文獻中的趨勢是在池化運算時使用較小的區(qū)塊，甚至不再使用池化層。

3.3 生成式對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）

生成式對抗網(wǎng)絡(luò)最初由Goodfellow等人在NIPS2014年提出，是當(dāng)前深度學(xué)習(xí)研究的重要課題之一。它的目的是收集大量真實世界中的數(shù)據(jù)（例如圖像、聲音、文本等），從中學(xué)習(xí)數(shù)據(jù)的分布模式，然后產(chǎn)生盡可能逼真的內(nèi)容。GAN在圖像去噪，修復(fù)，超分辨率，結(jié)構(gòu)化預(yù)測，強化學(xué)習(xí)中等任務(wù)中非常有效；另一重要應(yīng)用則是能夠在訓(xùn)練集數(shù)據(jù)過少的情況下，生成模擬數(shù)據(jù)來協(xié)助神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練。

3.3.1 模型結(jié)構(gòu)

GAN網(wǎng)絡(luò)典型結(jié)構(gòu)如圖3所示，一般由兩部分組成，即生成器網(wǎng)絡(luò)（Generator）和識別器網(wǎng)絡(luò)（Discriminator）：

（1）生成器網(wǎng)絡(luò)的目標(biāo)是模擬真實數(shù)據(jù)的分布模式，使用隨機噪聲生成盡量逼真的數(shù)據(jù)。

（2）識別器的目標(biāo)是學(xué)習(xí)真實數(shù)據(jù)的有效特征，從而判別生成數(shù)據(jù)和真實數(shù)據(jù)的差異度。

3.3.2 訓(xùn)練方法

GAN采用無監(jiān)督學(xué)習(xí)進行訓(xùn)練，輸入向量z一般由先驗概率概率pz（z）生成，通過生成器網(wǎng)絡(luò)產(chǎn)生數(shù)據(jù)G（z）。來自訓(xùn)練集的真實數(shù)據(jù)的分布為pdata （x），GAN網(wǎng)絡(luò)的實質(zhì)是學(xué)習(xí)該特征分布，因此生成的數(shù)據(jù)G（z）必然也存在對應(yīng)的分布pg （z），而識別器網(wǎng)絡(luò)則給出數(shù)據(jù)來自于真實數(shù)據(jù)的概率D（x）以及D（G（z） ）。整個訓(xùn)練過程的實質(zhì)就是生成器網(wǎng)絡(luò)和識別器網(wǎng)絡(luò)的博弈過程，即找到

4 深度神經(jīng)網(wǎng)絡(luò)研究展望

DNN雖然在各大領(lǐng)域都取得了重大的成功，甚至宣告了“智能時代”的來臨，但是與人類大腦相比，DNN在許多方面仍有顯著差距：

4.1 識別對抗樣本的挑戰(zhàn)

對抗樣本是指在數(shù)據(jù)集中添加微小的擾動所形成的數(shù)據(jù)，這些數(shù)據(jù)能使網(wǎng)絡(luò)以極高的置信度做出錯誤的判別。在網(wǎng)絡(luò)實際使用過程中會帶來非常大的問題，比如病毒制造者可能刻意構(gòu)造樣本來繞過基于DNN的安全檢查網(wǎng)絡(luò)。部分研究指出問題的根因可能在于DNN本身的高度非線性，微小的擾動可能在輸出時產(chǎn)生巨大的差異。

4.2 構(gòu)造統(tǒng)一模型的挑戰(zhàn)

DNN雖然在很多領(lǐng)域都取得了巨大的成功，但無論是序列到序列網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)、還是對抗式生成網(wǎng)絡(luò)都只適應(yīng)于特定領(lǐng)域，與此相對的則是，人類只用一個大腦就能完成語音、文本、圖像等各類任務(wù)，如何構(gòu)建類似的統(tǒng)一模型，對整個領(lǐng)域都是極大的挑戰(zhàn)。

4.3 提高訓(xùn)練效率的挑戰(zhàn)

DNN的成功依賴于大量訓(xùn)練數(shù)據(jù)，據(jù)統(tǒng)計要使得網(wǎng)絡(luò)學(xué)會某一特征，平均需要50000例以上的樣本，相比而言人類只需要少量的指導(dǎo)即可學(xué)會復(fù)雜問題，這說明我們的模型和訓(xùn)練方法都還有極大的提高空間。

參考文獻

[1]ROSENBLATT F.The perceptron：a probabilistic model for information storage and organization in the brain [M].MIT Press，1988.

[2]HINTON G E，OSINDERO S，TEH Y W.A fast learning algorithm for deep belief nets [J].Neural Computation，1989， 18（07）：1527-54.

[3]HINTON G E，SALAKHUTDINOV R R. Reducing the Dimensionality of Data with Neural Networks[J].Science， 2006，313（5786）：504.

[4]SEIDE F，LI G，YU D.Conversational Speech Transcription Using Context-Dependent Deep Neural Networks； proceedings of the INTERSPEECH 2011， Conference of the International Speech Communication Association， Florence，Italy，August，F(xiàn)，2011 [C].

[5]OQUAB M，BOTTOU L，LAPTEV I，et al. Learning and Transferring Mid-level Image Representations Using Convolutional Neural Networks； proceedings of the Computer Vision and Pattern Recognition，F(xiàn)，2014 [C].

[6]SILVER D，HUANG A，MADDISON C J，et al.Mastering the game of Go with deep neural networks and tree search [J].Nature，2016，529（7587）：484.

[7]XIONG W，DROPPO J，HUANG X，et al.The Microsoft 2016 Conversational Speech Recognition System[J].2016.

[8]LECUN Y，BOTTOU L，BENGIO Y，et al. Gradient-based learning applied to document recognition [J].Proceedings of the IEEE，1998，86（11）：2278-324.

[9]BENGIO Y，DELALLEAU O， LE R N，et al.Learning eigenfunctions links spectral embedding and kernel PCA [J].Neural Computation，2004，16（10）：2197-219.

[10]LEGRAND J，COLLOBERT R.Recurrent Greedy Parsing with Neural Networks [J].Lecture Notes in Computer Science，2014，8725（130-44.

[11]SUTSKEVER I，VINYALS O，LE Q V. Sequence to Sequence Learning with Neural Networks [J].Advances in Neural Information Processing Systems，2014，4（3104-12.

[12]WU Y，SCHUSTER M，CHEN Z，et al. Google's Neural Machine Translation System：Bridging the Gap between Human and Machine Translation [J]. 2016.

[13]GOODFELLOW I J，POUGETABADIE J，MIRZA M，et al.Generative Adversarial Networks [J].Advances in Neural Information Processing Systems，2014，3（2672-80.

作者撾

第2篇：卷積神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

關(guān)鍵詞：人臉識別技術(shù)；病毒管控；人工智能；神經(jīng)網(wǎng)絡(luò)

互聯(lián)網(wǎng)在今天的社會中發(fā)揮著舉足輕重的作用。如今社會，隨著許多人工智能技術(shù)、網(wǎng)絡(luò)技術(shù)、云計算等互聯(lián)網(wǎng)技術(shù)不斷發(fā)展，像人臉識別等技術(shù)的應(yīng)用越來越廣泛，在控制病毒傳播途徑等場合發(fā)揮了巨大作用，不斷地提高著社會的安全性和便利性，不僅提高了防控中病毒檢測效率，也為病毒的控制提供了可靠的技術(shù)方法，能夠及時發(fā)現(xiàn)和控制公共場所的安全隱患因素，避免對社會經(jīng)濟、居民生活造成破壞，。但目前的人臉識別等技術(shù)還存在許多缺陷，需要完善和革新，充滿著巨大的潛力和進步空間。

1人臉識別技術(shù)研究意義

人臉識別技術(shù)是一種生物特征識別技術(shù)，最早產(chǎn)生于上世紀(jì)60年代，基于生理學(xué)、圖像處理、人機交互及認(rèn)知學(xué)等方面的一種識別技術(shù)。相比于其他人類特征像指紋識別、聲紋識別、虹膜識別等技術(shù)，人臉識別雖然存在人臉識別單一性低，且區(qū)分度難度高、易受環(huán)境影響等不足。但是人臉識別技術(shù)擁有速度快、大范圍群體識別及非接觸、遠(yuǎn)距離可識別等優(yōu)勢，都是其他生物識別識別技術(shù)所不具備的，而在傳播性強、感染風(fēng)險大的病毒傳播過程中，這些顯然是必須要考慮的重要影響因素。通過將人臉識別等人工智能技術(shù)引入信息管理系統(tǒng)，綜合集成視頻監(jiān)控、圖像處理、深度學(xué)習(xí)和大數(shù)據(jù)等技術(shù)，結(jié)合非接觸測溫、定位等技術(shù)，助力病情防控，在一定程度上推動病毒病情防控信息化、智能化發(fā)展進程?？勺鳛榧訌姽矆鏊娜藛T的體溫實時監(jiān)測、地址信息定位的監(jiān)控管理，規(guī)范公共場所針對病毒傳播的預(yù)防行為。

2人臉識別技術(shù)

2.1人臉檢測技術(shù)

人臉檢測是自動人臉識別系統(tǒng)中的一個關(guān)鍵環(huán)節(jié)。早期的人臉識別研究主要針對具有較強約束條件的人臉圖象（如無背景的圖象），往往假設(shè)人臉位置靜止或者容易獲取。人臉檢測分為前深度學(xué)習(xí)時期，AdaBoost框架時期以及深度學(xué)習(xí)時期。前深度學(xué)習(xí)時期，人們將傳統(tǒng)的計算機視覺算法運用于人臉檢測，使用了模板匹配技術(shù)，依賴于人工提取特征，然后用這些人工特征訓(xùn)練一個檢測器；后來技術(shù)發(fā)展，在2001年Viola和Jones設(shè)計了一種人臉檢測算法，它使用簡單的Haar-like特征和級聯(lián)的AdaBoost分類器構(gòu)造檢測器，檢測速度較之前的方法有2個數(shù)量級的提高，并且保持了很好的精度，稱這種方法為VJ框架。VJ框架是人臉檢測歷史上第一個最具有里程碑意義的一個成果，奠定了基于AdaBoost目標(biāo)檢測框架的基礎(chǔ)，使用級聯(lián)AdaBoost分類器進行目標(biāo)檢測的思想是：用多個AdaBoost分類器合作實現(xiàn)對候選框的分類，這些分類器組成一個流水線，對滑動窗口中的候選框圖像進行判定，確定檢測目標(biāo)是人臉還是非人臉。Adaboost框架技術(shù)的精髓在于用簡單的強分類器在初期快速排除掉大量的非人臉窗口，同時保證高的召回率，使得最終能通過所有級強分類器的樣本數(shù)數(shù)量較少。在深度學(xué)習(xí)時期，開始將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于人臉檢測領(lǐng)域。研究方向有兩種：一是將適用于多任務(wù)的目標(biāo)檢測網(wǎng)絡(luò)應(yīng)用于人臉檢測中；另一種是研究特定的的人臉檢測網(wǎng)絡(luò)。人臉檢測技術(shù)具有特殊唯一性和穩(wěn)定性，在現(xiàn)今社會對于構(gòu)建居民身份識別系統(tǒng)，病毒傳播防控系統(tǒng)，以及計算機視覺交互模型的構(gòu)建具有廣泛的應(yīng)用。人臉檢測技術(shù)不僅作為人臉識別的首要步驟，也在許多其他領(lǐng)域發(fā)揮巨大影響，如人臉關(guān)鍵點提取、人臉追蹤、基于內(nèi)容的檢索、數(shù)字視頻處理、視頻檢測、安防監(jiān)控、人證比對、社交等領(lǐng)域都有重要的應(yīng)用價值。數(shù)碼相機、手機等移動端上的設(shè)備已經(jīng)大量使用人臉檢測技術(shù)實現(xiàn)成像時對人臉的對焦、圖集整理分類等功能，各種虛擬美顏相機也需要人臉檢測技術(shù)定位人臉。評價一個人臉檢測算法好壞的指標(biāo)是檢測率和誤報率，我們定義檢測率為：算法要求在檢測率和誤報率之間盡量平衡，理想的情況是達到高檢測率，低誤報率。

2.2人臉識別技術(shù)

目前主要流行的人臉識別技術(shù)包括幾何特征識別，模型識別，特征臉識別和基于深度學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)的的人臉識別技術(shù)等。人臉特征識別主要通過對人臉面部結(jié)構(gòu)特征如眼睛、鼻子等五官幾何特點及其相對位置分布等，生成圖像，并計算各個面部特征之間的歐式距離、分布、大小等關(guān)系該方法比較簡單，反應(yīng)速度快，并且具有魯棒性強等優(yōu)點，但是在實際環(huán)境下使用容易受檢測的環(huán)境的變化、人臉部表情變化等影響，精度通常不高，細(xì)節(jié)處理上不夠完善。模型識別技術(shù)主要包括隱馬爾可夫模型、主動表象模型、主動形狀模型等，識別率較高，并且對表情等變化影響較小。特征臉識別來源于主成分描述人臉照片技術(shù)（PCA技術(shù)），從數(shù)學(xué)上來講，特征臉就是人臉的圖像集協(xié)方差矩陣的特征向量。該技術(shù)能有效的顯示人臉信息，效率較高?；谏疃葘W(xué)習(xí)的人臉識別是獲取人臉圖像特征，并將包含人臉信息的特征進行線性組合等，提取人臉圖像的特征，學(xué)習(xí)人臉樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次?？梢圆捎萌缛龑忧梆丅P神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McClelland為首的科學(xué)家提出的概念，是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)本質(zhì)上是一種能夠?qū)W量的輸入與輸出之間的映射關(guān)系的輸入到輸出的映射，從結(jié)構(gòu)上講，BP網(wǎng)絡(luò)具有輸入層、隱藏層和輸出層；從本質(zhì)上講，BP算法就是以網(wǎng)絡(luò)誤差平方為目標(biāo)函數(shù)、采用梯度下降法來計算目標(biāo)函數(shù)的最小值。BP神經(jīng)網(wǎng)路輸入層有n個神經(jīng)元節(jié)點，輸出層具有m個神經(jīng)元，隱含層具有k個神經(jīng)元，采用BP學(xué)習(xí)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)。BP算法主要包括兩個階段：向前傳播階段和向后傳播階段。在向前傳播階段，信息從輸入層經(jīng)過逐級的變換，傳送到輸出層。這個過程也是在網(wǎng)絡(luò)完成訓(xùn)練后正常運行時執(zhí)行。將Xp作為輸入向量，Yp為期望輸出向量則BP神經(jīng)網(wǎng)絡(luò)向前傳播階段的運算，得到實際輸出表達式為向后傳播階段主要包括兩大步驟：①計算實際輸出Op與對應(yīng)理想輸出Yp之差；②按極小化誤差方法調(diào)整帶權(quán)矩陣。之所以將此階段稱為向后傳播階段，是對應(yīng)于輸入信號的正常傳播而言的，因為該階段都需要收到精度要求進行誤差處理，所以也可以稱之為誤差傳播階段。(1)確定訓(xùn)練集。由訓(xùn)練策略選擇樣本圖像作為訓(xùn)練集。(2)規(guī)定各權(quán)值Vij，Wjk和閾值Φj，θk參數(shù)，并初始化學(xué)習(xí)率α及精度控制參數(shù)ε。(3)從訓(xùn)練集中取輸入向量X到神經(jīng)網(wǎng)絡(luò)，并確定其目標(biāo)輸出向量D。(4)利用上式計算出一個中間層輸出H，再用本式計算出網(wǎng)絡(luò)的實際輸出Y。(5)將輸出矢量中yk與目標(biāo)矢量中dk進行比較，計算輸出誤差項，對中間層的隱單元計算出L個誤差項。(6)最后計算出各權(quán)值和閾值的調(diào)整量。所以，卷積神經(jīng)網(wǎng)絡(luò)算法是通過訓(xùn)練人臉特征庫的方式進行學(xué)習(xí)生成，對不同環(huán)境下不同表現(xiàn)情況的人臉圖像識別有更高的精確性。

2.3人臉識別軟件實現(xiàn)方式

(1)采集人臉數(shù)據(jù)集，然后對數(shù)據(jù)集進行標(biāo)注，對數(shù)據(jù)進行預(yù)處理變成訓(xùn)練格式。(2)部署訓(xùn)練模型，根據(jù)訓(xùn)練算法所需依賴部署電腦環(huán)境。(3)訓(xùn)練過程，下載預(yù)訓(xùn)練模型，將人臉數(shù)據(jù)集分批次作為輸入開始訓(xùn)練，最終輸出為訓(xùn)練好的模型。(4)部署訓(xùn)練好的模型，捕獲畫面即可對畫面中的人臉進行實時檢測。

3人臉識別在病毒傳播防控中的應(yīng)用

通過人臉識別技術(shù)，可以實現(xiàn)無接觸、高效率的對流動人員進行信息的收集、身份識別、定位地址信息等操作，大大減少了傳染的可能性，切斷了病毒傳播途徑，大大提高了工作效率。通過提前收錄人臉信息，采用深度學(xué)習(xí)對人臉特征模型的訓(xùn)練學(xué)習(xí)，即可獲取人臉識別特征模型，再次驗證時即可實現(xiàn)人臉識別和個人信息快速匹配。AI人工智能幫助人們更好的解放雙手，為人們的生活和工作提供了重要的幫助。本文還提出了在人臉識別的系統(tǒng)基礎(chǔ)上，可以加入定位系統(tǒng)、測溫系統(tǒng)等，依托物聯(lián)網(wǎng)技術(shù)和云計算大數(shù)據(jù)，更加優(yōu)化管控系統(tǒng)的效率。病毒傳播防控中人臉識別系統(tǒng)流程可以概括為圖2。

4結(jié)語

本文研究了一種人臉識別技術(shù)在病毒傳播管控系統(tǒng)中的應(yīng)用，并分析設(shè)計了人臉識別實時監(jiān)測及病毒管控系統(tǒng)的流程，大大提高了信息管理的效率，減弱了傳播風(fēng)險。作為一門新興技術(shù)，目前的人臉識別技術(shù)還存在著諸多不足之處，像存在環(huán)境光的影響、人臉表情變化、妝容變化、佩戴口罩等都會影響到系統(tǒng)識別精度；另外安全問題也引人深思：現(xiàn)今人臉支付方式迅猛發(fā)展，錄入的人臉模型信息數(shù)據(jù)庫存在有一定的安全風(fēng)險，一旦被不法分子盜取信息后果不堪設(shè)想，所以模型數(shù)據(jù)庫安全、網(wǎng)絡(luò)安全，也是系統(tǒng)開發(fā)中必須重視的問題。人臉識別為代表的人工智能技術(shù)的研究，在病毒傳播管控作出重大貢獻，依托我國領(lǐng)先的計算機網(wǎng)絡(luò)技術(shù)和5G等技術(shù)，加強人工智能技術(shù)與5G通信技術(shù)的結(jié)合，優(yōu)勢互補，以此來加快大數(shù)據(jù)、人工智能和物聯(lián)網(wǎng)技術(shù)發(fā)展進程，對我國社會進步，促進城市建設(shè)和管理朝著高效、秩序、和諧穩(wěn)定的方向不斷發(fā)展，增強我國的經(jīng)濟實力有著重大價值和研究意義。

參考文獻

[1]王彥秋,馮英偉.基于大數(shù)據(jù)的人臉識別方法[J].現(xiàn)代電子技術(shù),2021,44(7):87-90.

[2]李剛,高政.人臉自動識別方法綜述[J].計算機應(yīng)用研究,2003,20(8):4-9,40.

[3]馬玉琨,徐姚文.ReviewofPresentationAttackDetectioninFaceRecognitionSystem[J].計算機科學(xué)與探索,2021,7(15):1195-1206.

[4]余璀璨,李慧斌.基于深度學(xué)習(xí)的人臉識別方法綜述[J].工程數(shù)學(xué)學(xué)報,2021,38.

[5]王紅星,胡永陽,鄧超.基于LBP和ELM的人臉識別算法研究與實現(xiàn)[J].河南理工大學(xué)學(xué)報(自然科學(xué)版),2005.

[6]鐘陳,王思翔,王文峰.面向疫情防控的人臉識別系統(tǒng)與標(biāo)準(zhǔn)研究[J].信息技術(shù)與標(biāo)準(zhǔn)化,2020,6,11-13,1671-539X.

[6]彭駿,吉綱,張艷紅,占濤.精準(zhǔn)人臉識別及測溫技術(shù)在疫情防控中的應(yīng)用[J].軟件導(dǎo)刊,2020,10,1672-7800.

第3篇：卷積神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

[關(guān)鍵詞]主動學(xué)習(xí)；深度神經(jīng)網(wǎng)絡(luò)；反饋；目標(biāo)識別

中圖分類號：TP391.41 文獻標(biāo)識碼：A 文章編號：1009-914X（2016）08-0383-01

Object Feedback Recognition System Base on Deep Learning

Hao Liu1，Junyu Dong1，Xin Sun1，Muwei Jian1

[Abstract]This paper proposed a novel deep neural network based object recognition method with a feedback process by using an appropriate active learning method. It selects better non-labeled samples to feedback and retrain the deep neural network model， which makes the accuracy and robustness of the object recognition system improved gradually during use. The experiments show that the proposed method can recognize the target object in a fast way and improve the accuracy of application in the real scene gradually.

[Key words]Active Learning； Deep Neural Network； Feedback； Object Recognition

1.介紹

目標(biāo)識別一直以來都是機器學(xué)習(xí)領(lǐng)域研究的前沿問題，近些年來，出現(xiàn)了一些優(yōu)秀的基于特征的物體識別方法，例如基于梯度信息的SIFT/SURF[1]算法等，但隨著數(shù)據(jù)集樣本的增多，逐漸達到了一定的瓶頸。近年來，基于深度學(xué)習(xí)所提取的抽象特征在物體識別中取得了非常好的表現(xiàn)。2012年Krizhevsky等人通過使用卷積神經(jīng)網(wǎng)絡(luò)取得了較高的圖像分類準(zhǔn)確率。2014年R. Girshick[2]等人所提出的Region Based CNN算法在目標(biāo)識別領(lǐng)域也取得了較好的結(jié)果。雖然這些方法取得了較好的效果，但是日常生活中的場景是多變的，因此需要所得到的模型能夠自動學(xué)習(xí)和適應(yīng)新的場景和需求，本文將基于RCNN方法提出一種帶反饋的自適應(yīng)學(xué)習(xí)目標(biāo)識別算法，它隨著反饋的增加，模型越來越完善和智能。

2.相關(guān)技術(shù)介紹

2.1 RCNN算法

Region Based CNN算法首先使用Selective search算法在圖像上產(chǎn)生約2000個候選窗口，進行目標(biāo)檢測。然后使用CNN對每一個候選窗口提取4096維特征來表示每個Proposal，最后用SVM分類器對目標(biāo)進行分類。

2.2 主動反饋學(xué)習(xí)

主動學(xué)習(xí)具有減少冗余和快速收斂的優(yōu)勢。通過一定的主動學(xué)習(xí)方法選擇出一個或一批最有用的樣本，并向檢查者詢問標(biāo)簽，然后利用獲得的新知識來訓(xùn)練分類器和進行下一輪查詢。本文使用主動學(xué)習(xí)的思想對反饋識別過程進行控制。

3.基于主動學(xué)習(xí)的物體反饋識別

目標(biāo)反饋識別是一個智能化的交互過程，它先使用有限訓(xùn)練數(shù)據(jù)訓(xùn)練出一個初始分類模型，這個模型對物體進行識別的準(zhǔn)確率可能并不高。接下來，我們希望后續(xù)的每次識別都能夠為模型提供信息，模型依據(jù)這些信息重新訓(xùn)練，實現(xiàn)對分類模型的修改與完善。本文基于RCNN算法，首先使用有限標(biāo)定樣本進行訓(xùn)練，利用RCNN 生成一個初始模型。然后每次使用主動學(xué)習(xí)的方法，從未標(biāo)記樣本集中選擇出n0個最有用的、最利于完善分類模型的樣本圖像；最后利用檢查者對樣本所做的標(biāo)記，進一步訓(xùn)練分類器，完善模型，迭代進行，最終實現(xiàn)模型的自動更新達到最優(yōu)的識別效果。

4.實驗

以1.1圖的Train圖像為例進行識別，圖1.2得到識別結(jié)果為Bus，識別發(fā)生錯誤，此時使用本文方法進行反饋，系統(tǒng)將結(jié)果反饋給分類模型，這樣選擇出的每張圖像都會反饋一個結(jié)果來優(yōu)化模型，迭代進行。如果如圖1.3再次對這張圖像進行識別，得到識別結(jié)果“未檢測到Bus”，識別正確，說明反饋過程起到了應(yīng)有的作用。通過實驗可以表明，本文提出的方法會使物體識別變得越來越智能。

5.結(jié)論

本文提出的基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)反饋識別方法，使用主動學(xué)習(xí)來對反饋識別過程進行控制，通過對VOC2007數(shù)據(jù)集中的Train類圖像進行識別試驗的結(jié)果可以看到，本文提出的方法成功提升了目標(biāo)識別系統(tǒng)的準(zhǔn)確度和魯棒性，逐漸提升了在復(fù)雜多樣的真實場景下識別目標(biāo)的準(zhǔn)確度，使得系統(tǒng)越來越完善與智能，最終實現(xiàn)了非常好的目標(biāo)識別效果。

參考文獻

第4篇：卷積神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

    20世紀(jì)80年代以來,全球范圍內(nèi)移動無線通信得到了前所未有的發(fā)展,與第三代移動通信系統(tǒng)(3g)相比,未來移動通信系統(tǒng)的目標(biāo)是,能在任何時間、任何地點、向任何人提供快速可靠的通信服務(wù)。因此,未來無線移動通信系統(tǒng)應(yīng)具有高的數(shù)據(jù)傳輸速度、高的頻譜利用率、低功耗、靈活的業(yè)務(wù)支撐能力等。但無線通信是基于電磁波在自由空間的傳播來實現(xiàn)傳輸?shù)摹Ｐ盘栐跓o線信道中傳輸時,無線頻率資源受限、傳輸衰減、多徑傳播引起的頻域選擇性衰落、多普勒頻移引起的時間選擇性衰落以及角度擴展引起的空間選擇性衰落等都使得無線鏈路的傳輸性能差。和有線通信相比,無線通信主要由兩個新的問題。一是通信行道經(jīng)常是隨時間變化的,二是多個用戶之間常常存在干擾。無線通信技術(shù)還需要克服時變性和干擾。由于這個原因,無線通信中的信道建模以及調(diào)制編碼方式都有所不同。

    1.無線數(shù)字通信中盲源分離技術(shù)分析

    盲源分離(bss:blind source separation),是信號處理中一個傳統(tǒng)而又極具挑戰(zhàn)性的問題,bss指僅從若干觀測到的混合信號中恢復(fù)出無法直接觀測的各個原始信號的過程,這里的“盲”,指源信號不可測,混合系統(tǒng)特性事先未知這兩個方面。在研究和工程應(yīng)用中,很多觀測信號都可以看成是多個源信號的混合,所謂“雞尾酒會”問題就是個典型的例子。其中獨立分量分析ica(independent component analysis)是一種盲源信號分離方法,它已成為陣列信號處理和數(shù)據(jù)分析的有力工具,而bss比ica適用范圍更寬。目前國內(nèi)對盲信號分離問題的研究,在理論和應(yīng)用方面取得了很大的進步,但是還有很多的問題有待進一步研究和解決。盲源分離是指在信號的理論模型和源信號無法精確獲知的情況下,如何從混迭信號(觀測信號)中分離出各源信號的過程。盲源分離和盲辨識是盲信號處理的兩大類型。盲源分離的目的是求得源信號的最佳估計,盲辨識的目的是求得傳輸通道混合矩陣。盲源信號分離是一種功能強大的信號處理方法,在醫(yī)學(xué)信號處理,陣列信號處理,語音信號識別,圖像處理及移動通信等領(lǐng)域得到了廣泛的應(yīng)用。

    根據(jù)源信號在傳輸信道中的混合方式不同,盲源分離算法分為以下三種模型:線性瞬時混合模型、線性卷積混合模型以及非線性混合模型。

    1.1 線性瞬時混合盲源分離

    線性瞬時混合盲源分離技術(shù)是一項產(chǎn)生、研究最早,最為簡單,理論較為完善,算法種類多的一種盲源分離技術(shù),該技術(shù)的分離效果、分離性能會受到信噪比的影響。盲源分離理論是由雞尾酒會效應(yīng)而被人們提出的,雞尾酒會效應(yīng)指的是雞尾酒會上,有聲、談話聲、腳步 聲、酒杯餐具的碰撞聲等,當(dāng)某人的注意集中于欣賞音樂或別人的談話,對周圍的嘈雜聲音充耳不聞時,若在另一處有人提到他的名字,他會立即有所反應(yīng),或者朝 說話人望去,或者注意說話人下面說的話等。該效應(yīng)實際上是聽覺系統(tǒng)的一種適應(yīng)能力。當(dāng)盲源分離理論提出后很快就形成了線性瞬時混合模型。線性瞬時混合盲源分離技術(shù)是對線性無記憶系統(tǒng)的反應(yīng),它是將n個源信號在線性瞬時取值混合后,由多個傳感器進行接收的分離模型。

    20世紀(jì)八、九十年代是盲源技術(shù)迅猛發(fā)展的時期,在1986年由法國和美國學(xué)者共同完了將兩個相互獨立的源信號進行混合后實現(xiàn)盲源分離的工作,這一工作的成功開啟了盲源分離技術(shù)的發(fā)展和完善。在隨后的數(shù)十年里對盲源技術(shù)的研究和創(chuàng)新不斷加深,在基礎(chǔ)理論的下不斷有新的算法被提出和運用,但先前的算法不能夠完成對兩個以上源信號的分離;之后在1991年,法國學(xué)者首次將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到盲源分離問題當(dāng)中,為盲源分離提出了一個比較完整的框架。到了1995年在神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)上盲源分離技術(shù)有了突破性的進展,一種最大化的隨機梯度學(xué)習(xí)算法可以做到同時分辨出10人的語音,大大推動了盲源分離技術(shù)的發(fā)展進程。

    1.2 線性卷積混合盲源分離

    相比瞬時混合盲源分離模型來說,卷積混合盲源分離模型更加復(fù)雜。在線性瞬時混合盲源分離技術(shù)不斷發(fā)展應(yīng)用的同時,應(yīng)用中也有無法準(zhǔn)確估計源信號的問題出現(xiàn)。常見的是在通信系統(tǒng)中的問題,通信系統(tǒng)中由于移動客戶在使用過程中具有移動性,移動用戶周圍散射體會發(fā)生相對運動,或是交通工具發(fā)生的運動都會使得源信號在通信環(huán)境中出現(xiàn)時間延遲的現(xiàn)象,同時還造成信號疊加,產(chǎn)生多徑傳輸。正是因為這樣問題的出現(xiàn),使得觀測信號成為源信號與系統(tǒng)沖激響應(yīng)的卷積,所以研究學(xué)者將信道環(huán)境抽象成為線性卷積混合盲源分離模型。線性卷積混合盲源分離模型按照其信號處理空間域的不同可分為時域、頻域和子空間方法。

    1.3 非線性混合盲源分離

    非線性混合盲源分離技術(shù)是盲源分離技術(shù)中發(fā)展、研究最晚的一項,許多理論和算法都還不算成熟和完善。在衛(wèi)星移動通信系統(tǒng)中或是麥克風(fēng)錄音時,都會由于乘性噪聲、放大器飽和等因素的影響造成非線性失真。為此,就要考慮非線性混合盲源分離模型。非線性混合模型按照混合形式的不同可分為交叉非線性混合、卷積后非線性混合和線性后非線性混合模型三種類型。在最近幾年里非線性混合盲源分離技術(shù)受到社會各界的廣泛關(guān)注,特別是后非線性混合模型。目前后非線性混合盲源分離算法中主要有參數(shù)化方法、非參數(shù)化方法、高斯化方法來抵消和補償非線性特征。

    2.無線通信技術(shù)中的盲源分離技術(shù)

    在無線通信系統(tǒng)中通信信號的信號特性參數(shù)復(fù)雜多變,實現(xiàn)盲源分離算法主要要依據(jù)高階累積量和峭度兩類參數(shù)。如圖一所示,這是幾個常見的通信信號高階累積量。

    在所有的通信系統(tǒng)中,接收設(shè)備處總是會出現(xiàn)白色或是有色的高斯噪聲,以高階累積量為準(zhǔn)則的盲源分離技術(shù)在處理這一問題時穩(wěn)定性較強,更重要的是對不可忽略的加性高斯白噪聲分離算法同時適用。因此,由高階累積量為準(zhǔn)則的盲源分離算法在通信系統(tǒng)中優(yōu)勢明顯。

    分離的另一個判據(jù)就是峭度,它是反映某個信號概率密度函數(shù)分布情況與高斯分布的偏離程度的函數(shù)。峭度是由信號的高階累積量定義而來的,是度量信號概率密度分布非高斯性大小的量值。

第5篇：卷積神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

關(guān)鍵詞：機器視覺與應(yīng)用；創(chuàng)新實踐；郵電類高校

國務(wù)院印發(fā)的《新一代人工智能發(fā)展規(guī)劃》中提出了我國人工智能“三步走”戰(zhàn)略目標(biāo)并深化實施“中國制造2025”，將人工智能上升到國家戰(zhàn)略層面。因此，必須加快推進人才培養(yǎng)模式改革，推進科教協(xié)同育人，完善高水平科研支撐拔尖創(chuàng)新人才培養(yǎng)機制。新工科背景下的核心課程機器視覺與應(yīng)用是郵電類本科學(xué)生的基礎(chǔ)課程，許多高校主要面向自動化、計算機類等工科專業(yè)開設(shè)，此課程融合了機器學(xué)習(xí)理論，數(shù)字圖像處理，智能決策與最優(yōu)化等技術(shù)[1]，教學(xué)內(nèi)容涉及機器視覺系統(tǒng)的組成與標(biāo)定、圖像濾波與分割、目標(biāo)檢測與識別、成像原理與多視圖幾何、三維測量等。各個學(xué)校對該課程的教學(xué)內(nèi)容側(cè)重點不同，培養(yǎng)目標(biāo)也不盡相同，但普遍面臨的問題是：強調(diào)理論知識點的掌握如定理、證明等，理論教學(xué)內(nèi)容不能與最新技術(shù)發(fā)展同步，實踐教學(xué)內(nèi)容簡單、膚淺，不能有效聯(lián)系實際應(yīng)用或案例。學(xué)生對這門課缺乏興趣，實驗設(shè)備老舊、編程語言傳統(tǒng)，不符合企業(yè)實際需求，影響學(xué)生就業(yè)與升學(xué)的競爭力。因此，為解決上述問題，《機器視覺與應(yīng)用》這門課程的教學(xué)改革勢在必行。

一、理論教學(xué)課程體系改革的與時俱進

機器視覺在我們生活中的應(yīng)用不斷擴大，如手機上的攝像頭系統(tǒng)，微信、支付寶的掃碼操作等，因此在《機器視覺與應(yīng)用》這門課中，在深入講解經(jīng)典機器視覺知識的同時，要將當(dāng)前最新的機器視覺與應(yīng)用的研究成果與行業(yè)前沿知識在課堂上對學(xué)生進行介紹，如基于稠密深度、輕量化卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測與識別、圖卷積神經(jīng)網(wǎng)絡(luò)等，讓他們了解最新的知識點與行業(yè)應(yīng)用及當(dāng)前流行的軟件、硬件平臺，為他們以后的學(xué)科研究與就業(yè)奠定良好的基礎(chǔ)。因此，對課程的培養(yǎng)目標(biāo)與課程體系進行了修訂。

新版的《機器視覺與應(yīng)用》課程以Python語言為基礎(chǔ)，要求學(xué)生掌握機器視覺的概念、原理、圖像處理方法及經(jīng)典視覺成像模型，掌握多視圖幾何及三維重建的原理及實現(xiàn)方法，學(xué)會搭建基礎(chǔ)的輕量化卷積神經(jīng)網(wǎng)絡(luò)，為進一步學(xué)習(xí)人工智能相關(guān)專業(yè)課以及從事本專業(yè)的研究和技術(shù)工作打下必要的基礎(chǔ)。

同時，要充分考慮企業(yè)的需求，以協(xié)同育人的視角構(gòu)建教師和企業(yè)導(dǎo)師聯(lián)合育人團隊，因材施教，優(yōu)勢互補。比如，通過理論講解掌握機器視覺的圖像濾波與目標(biāo)檢測，借助于生產(chǎn)線現(xiàn)場缺陷目標(biāo)檢測等工業(yè)應(yīng)用案例掌握理論教學(xué)知識，并反饋理論教學(xué)中未涉及的實際應(yīng)用要點，如算法的實時性、檢測成功率，影響誤檢測的因素等。

二、創(chuàng)新實踐教學(xué)平臺

為了緊跟當(dāng)前機器視覺與應(yīng)用技術(shù)發(fā)展的潮流，培養(yǎng)人工智能應(yīng)用行業(yè)所急需的專業(yè)人才，在通過課堂將機器視覺與應(yīng)用專業(yè)理論知識傳授給學(xué)生的同時，還需啟發(fā)學(xué)生將來在機器視覺應(yīng)用方面有創(chuàng)新性的成果[2]。

我們構(gòu)建了三種型號的基于機器視覺系統(tǒng)的無人車、無人機等創(chuàng)新實踐平臺，每一種型號分別采用英偉達Nano和樹莓派兩種開發(fā)板，每種開發(fā)板32套，總共192套基于機器視覺系統(tǒng)的無人平臺。這些平臺不僅更好地服務(wù)于機器視覺與應(yīng)用課程的章節(jié)實驗及綜合性實驗，而且還作為實驗室的創(chuàng)新平臺，為智能車比賽，無人機競賽，機器人大賽提供強有力的支撐。

三、創(chuàng)新實踐教學(xué)機器視覺軟件的組成

本課程的章節(jié)實驗及綜合性實踐提供多種編程語言和工具箱平臺，學(xué)生可以根據(jù)自己的興趣、愛好及未來的學(xué)業(yè)、職業(yè)規(guī)劃選擇一種或多種編程語言及平臺[3]。在Matlab圖像處理工具箱與OPENCV工具箱的基礎(chǔ)上[4]，本課程的實踐教學(xué)創(chuàng)新性地引入基于Python的機器視覺與應(yīng)用基礎(chǔ)工具箱、進階版深度學(xué)習(xí)工具箱，緊跟當(dāng)前機器視覺與應(yīng)用課程發(fā)展的技術(shù)潮流。因為Python是一種面向?qū)ο?、解釋型、動態(tài)數(shù)據(jù)類型的高級程序設(shè)計語言。其代碼量小，簡潔清晰。還具有豐富的機器視覺標(biāo)準(zhǔn)庫和擴充庫，如Pytesseract、OpenCV等，是當(dāng)前人工智能行業(yè)廣泛應(yīng)用的編程工具。

此外，為進一步支撐機器視覺綜合性實驗及基于視覺導(dǎo)航的無人車進階實踐項目，建議學(xué)生學(xué)習(xí)ROS開源的元機器人操作系統(tǒng)，包括硬件抽象、底層設(shè)備控制、常用函數(shù)的實現(xiàn)、進程間消息傳遞以及包管理。上述的OpenCV，Python等機器視覺工具箱及激光雷達、IMU慣導(dǎo)模塊以及相應(yīng)的多傳感器標(biāo)定、圖像處理、目標(biāo)識別與跟蹤、三維重建、SLAM等都可以在此環(huán)境下實現(xiàn)。

另外，學(xué)生還可以熟悉掌握常用的深度學(xué)習(xí)框架，如PyTorch、TensorFlow、Keras、MXNet等，為將來的工作和學(xué)業(yè)深造打下堅實的基礎(chǔ)。

四、創(chuàng)新實踐教學(xué)內(nèi)容的設(shè)計

我結(jié)合機器視覺與應(yīng)用的理論教學(xué)內(nèi)容，并兼顧實驗室開放創(chuàng)新項目及競賽需求，設(shè)計了漸進式創(chuàng)新實踐教學(xué)內(nèi)容，主要分為三個級別：驗證性機器視覺章節(jié)實驗、綜合性視覺及多傳感器融合實踐項目、創(chuàng)新性實踐項目?？紤]到學(xué)生對知識的掌握程度不同，三個級別的項目由易到難，循序漸進，兼顧學(xué)生的興趣愛好及實際生活中的創(chuàng)意實現(xiàn)。三個級別的實驗及實踐項目舉例如下：

1.驗證性實驗：攝像頭啟動及驅(qū)動，圖像預(yù)處理如多彩色空間轉(zhuǎn)化、灰度變化、圖像增強、圖像濾波、銳化、圖像分割與二值化、腐蝕與膨脹、圖像特征提取與匹配等。

2.綜合性實踐：相機標(biāo)定實驗及誤差分析，多傳感器聯(lián)合標(biāo)定（相機、激光雷達、IMU聯(lián)合標(biāo)定），圖像去霧、去雨、去模糊化等。

3.創(chuàng)新性實踐：視覺導(dǎo)航，無人車視覺避障，無人車視覺同時定位與重建，模擬工業(yè)機器視覺應(yīng)用如智能產(chǎn)品缺陷檢測、視覺測量，快遞包裹視覺實時追蹤與定位，人流估計與預(yù)測等。

驗證性實驗是必選的，綜合性及創(chuàng)新性實踐是以小組完成的，學(xué)生可以跟蹤興趣、愛好選擇不同的題目，提高主觀能動性，并允許學(xué)生利用所學(xué)知識進行創(chuàng)新創(chuàng)意性擴展。

五、創(chuàng)新實踐教學(xué)方式改革探索

（一）梳理課程間內(nèi)容關(guān)系，完善相應(yīng)的平臺、硬件、軟件及相應(yīng)的電子資源建設(shè)

學(xué)生的專業(yè)基礎(chǔ)不同，所掌握編程知識及實踐能力有一定的差異性，教師開課前應(yīng)摸底學(xué)生所學(xué)的課程內(nèi)容，了解學(xué)生不同的專業(yè)基礎(chǔ)，并進行合理的分組、引導(dǎo)，使學(xué)生互幫互助；完善實驗室的理論教學(xué)平臺，發(fā)展三種類型多套的無人硬件平臺，建立相應(yīng)的課程電子資源網(wǎng)站，包括理論教學(xué)內(nèi)容知識點和實踐教學(xué)內(nèi)容及所需的軟件、教程、工具包，網(wǎng)站上包含專門的知識內(nèi)容討論區(qū)，另外還包括國內(nèi)外《機器視覺與應(yīng)用》相應(yīng)的多媒體課件、論文、書籍及經(jīng)典算法的實現(xiàn)代碼，以適應(yīng)當(dāng)今人工智能行業(yè)內(nèi)機器視覺知識的內(nèi)容多、涉及范圍廣、知識更新快的特點，以便學(xué)生下載、查閱。同時，教師要合理利用一些即時通訊平臺，如微信群、QQ等工具，及時解答學(xué)生的疑問。

（二）優(yōu)化小班化實驗室課堂，注重學(xué)生知識的掌握與應(yīng)用

教師要改變往常以教師講解為主，學(xué)生機械地參與的滿堂灌模式，直接在實驗室采用小班化教學(xué)，一次32人，分為四個小組，每個小組都要完成三個級別的實驗，保證每個組員都要參與，都有相應(yīng)的任務(wù)，實驗內(nèi)容盡量避免雷同。每次課2個課時，教師進行0.5課時基礎(chǔ)理論知識進行透徹地講解；拿出1個課時讓學(xué)生進行驗證性實驗，對基礎(chǔ)知識進行實現(xiàn)、驗證，并進行組內(nèi)討論；剩下的0.5個課時，學(xué)生進行綜合性實踐或創(chuàng)新型實踐的討論、演示、講解，任課教師進行點評、講解、指導(dǎo)。學(xué)生人手一臺實驗設(shè)備和電腦（或自帶筆記本），實驗室設(shè)備與學(xué)生一一綁定，不隨意更換，方便理論知識的掌握、實現(xiàn)以及相應(yīng)軟件環(huán)境的安裝設(shè)置等，并改變以往提交紙質(zhì)實驗報告的考核方式，采用分組答辯的形式，每個人講解展示自己所負(fù)責(zé)的工作，相互學(xué)習(xí)、相互進步。這樣可以較好的避免抄襲，避免雷同的實驗報告，激發(fā)學(xué)生學(xué)習(xí)的積極性和自主性，有利于知識的拓展和創(chuàng)新創(chuàng)意實踐。

（三）鼓勵學(xué)生進行應(yīng)用性創(chuàng)新實踐，并為產(chǎn)學(xué)研合作及企業(yè)實踐提供支持

學(xué)生在完成多個實踐性項目的同時，后續(xù)可能要對系統(tǒng)硬件、算法軟件進行不斷的完善、優(yōu)化。為了使更多的實踐成果走出實驗室，貼合實際生產(chǎn)生活，鼓勵學(xué)生帶成果走出去，教師要主動積極聯(lián)系有機器視覺應(yīng)用需求的企事業(yè)單位，將創(chuàng)新成果與實際企業(yè)需求、工業(yè)現(xiàn)場要求進行深入溝通與協(xié)作，建立穩(wěn)定的產(chǎn)學(xué)研機制。這種機制可以對校內(nèi)課程體系進行有效擴充和延伸，并對創(chuàng)新實踐教學(xué)成果進行反饋，更好地貼近實際生產(chǎn)生活需求，做更接地氣的實踐教學(xué)內(nèi)容改革探索。同時，教師要鼓勵學(xué)生進行相應(yīng)專利的申請和論文的撰寫，保護好相應(yīng)的知識產(chǎn)權(quán)。

第6篇：卷積神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

關(guān)鍵詞：辛烷值；快速檢測方法；氣相色譜法；紅外光譜法；拉曼光譜法

中圖分類號：TB 文獻標(biāo)識碼：A doi：10.19311/ki.1672-3198.2016.07.092

辛烷值是表征車用汽油抗爆性的重要指標(biāo)，1926年美國科學(xué)家埃得將辛烷值引入汽油性能指標(biāo)。汽油在燃燒過程中，抵抗爆震的能力叫作抗爆性，辛烷值就是表示汽油抗爆性的指標(biāo)。辛烷值越高，其抗爆性能越好，汽油在汽缸中燃燒越充分，燃燒效率越高，尾氣排放中的一氧化碳、碳?xì)浠衔锖吭降停瑢Νh(huán)境的危害相應(yīng)越小。

馬達法辛烷值和研究法辛烷值是汽油的辛烷值的傳統(tǒng)測量方法，方法用樣品量大，時間長、費用高，不適于生產(chǎn)控制的在線測試。本文對近幾年出現(xiàn)的幾種辛烷值測量的快速分析方法進行總結(jié)和綜述，介紹相關(guān)方法的應(yīng)用進展。

1 拉曼光譜法

拉曼分析方法作為一種光譜檢測技術(shù)，不僅樣品預(yù)處理簡單、分析速度快、效率高、重現(xiàn)性好，另外還具有受水分干擾小、樣品無損、可進行微量樣品探測、檢測頻帶寬、可快速跟蹤反應(yīng)過程等特點；即便是非極性基團如c=c，c=c等紅外吸收較弱的官能團，在拉曼光譜中也可以得到很強的吸收譜帶。因此，特別適合用于對含碳、氫基團較高的汽油樣品的辛烷值檢測。

康健爽等2010年提出了一種使用拉曼分析測定汽油辛烷值的方法，并設(shè)計了辛烷值拉曼光譜在線檢測系統(tǒng)。這種辛烷值在線監(jiān)控系統(tǒng)能夠?qū)崟r監(jiān)控乙醇汽油中的組分變化，并給出對應(yīng)的拉曼分析曲線；根據(jù)光柵型和傅立葉變換型光譜儀各自特點，選用光柵型拉曼光譜儀應(yīng)用于辛烷值在線檢測。以Lambert-Beer定律為基礎(chǔ)，采用化學(xué)計量學(xué)方法，將檢測數(shù)據(jù)和采用標(biāo)準(zhǔn)方法測得的屬性數(shù)據(jù)之間關(guān)聯(lián)，建立分析模型，在具體算法實現(xiàn)過程中，分別采用PCA和PLS兩種方法建立關(guān)聯(lián)分析模型，并用于乙醇汽油辛烷值的快速預(yù)測，指導(dǎo)實際調(diào)和過程。實踐證明，相對傳統(tǒng)的檢測手段，該系統(tǒng)具有測試速度快、分析時間短、檢測費用低、經(jīng)濟效益高等特點。

2 氣相色譜法

李長秀等2003年建立了一種新方法，該方法將氣相色譜結(jié)果關(guān)聯(lián)建模用以計算汽油樣品的辛烷值。對汽油的組成采用高分辨毛細(xì)管柱進行測定，根據(jù)汽油單體烴組分的含量和純組分辛烷值乘積的大小，將單體烴組分分為兩組，每一組為一個變量，建立實測辛烷值與兩個變量間的回歸模型。實際分析時，根據(jù)樣品的類型帶入相應(yīng)的模型進行關(guān)聯(lián)計算即可得到樣品的辛烷值。該方法與采用標(biāo)準(zhǔn)方法測定催化裂化汽油辛烷值的結(jié)果相比，測定結(jié)果的偏差約0.5個單位。該方法因為操作相對簡單，樣品量耗費少，且建模過程快速、簡便，適于穩(wěn)定工藝過程中的汽油辛烷值的在線監(jiān)測。

于愛東等采用毛細(xì)管氣相色譜法對汽油單體烴類進行分離，用PONA汽油組成軟件對汽油單體烴進行定性、定量、Pona組成計算.將汽油單體烴分為37組，建立實測辛烷值與37個變量之間的回歸模型，計算汽油辛烷值。該模型計算辛烷值與實測辛烷值的極差為0.26個單位，適用辛烷值在88～92之間的油品。辛烷值的計算公式能夠較好地反映汽油單體烴與辛烷值之間的關(guān)系。方法操作簡單，樣品用量少，結(jié)果準(zhǔn)確，適合于煉廠蒸餾、催化過程中汽油辛烷值的實時監(jiān)測。

3 近紅外光譜法

近紅外光譜分析方法是一種間接分析方法，它先利用一組汽油標(biāo)準(zhǔn)樣品，在汽油的近紅外光譜數(shù)據(jù)間和汽油辛烷值建立數(shù)據(jù)關(guān)聯(lián)分析模型，再用該模型預(yù)測未知汽油樣品的辛烷值。測量精度除受儀器精度影響外，還受所建分析模型精度影響。

韓言正等介紹了一種自主開發(fā)研制的汽油辛烷值近紅外光譜在線分析儀。該分析儀包括近紅外光譜在線測量、光譜預(yù)處理和實時建模等部分。對于原始的近紅外光譜數(shù)據(jù)，采用多項式卷積算法進行光譜平滑、基線校正和標(biāo)準(zhǔn)歸一化；通過模式分類與偏最小二乘進行實時建模。該分析儀已成功應(yīng)用于某煉油廠生產(chǎn)過程的辛烷值在線監(jiān)測。

汽油辛烷值預(yù)測體系具有非線性的特點，史月華等據(jù)此提出主成分回歸殘差神經(jīng)網(wǎng)絡(luò)校正算法（PCRRANN）用于近紅外測定汽油辛烷值的預(yù)測模型校正。該方法結(jié)合了主成分回歸算法（PC），與PLS（PartialLeastSquare），PCR，PLS（NPLS，Non lin-earPLS）等經(jīng)典校正算法相比，預(yù)測能力有明顯的提高。

第7篇：卷積神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

獨立分量分析(ICA)是統(tǒng)計信號處理近年來的一項發(fā)展。顧名思義,這是一種分解技術(shù),其特點是把信號分解成若干相互獨立的成分。主分量分析(PCA)和奇異值分解(SVD)是人們較熟悉的分解信號的線性代數(shù)方法,ICA與它們的主要不同之處表現(xiàn)在:

(1)后者只要求分解出來的各分量互相正交(不相關(guān)),但并不要求它們互相獨立。用統(tǒng)計信號處理的語言來表達,即:后者只考慮二階統(tǒng)計特性,而前者則要更全面考慮其概率密度函數(shù)的統(tǒng)計獨立性。

(2)后者按能量大小排序來考慮被分解分量的重要性。這樣的分解雖然在數(shù)據(jù)壓縮和去除弱噪聲方面有其優(yōu)點,但分解結(jié)果往往缺乏明確的生理意義。前者雖然分解出的分量其能量大小存在不確定性,但當(dāng)測量值確實是由若干獨立信源混合而成時,分解結(jié)果往往具有更好的生理解釋。由于測得的生理信號往往是若干獨立成分的加權(quán)迭加(例如,誘發(fā)腦電總是被自發(fā)腦電所淹沒,而且常伴隨有心電、眼動、頭皮肌電等干擾),此ICA是一項值得注意的分解方法。

此外,神經(jīng)生理研究認(rèn)為,人類對認(rèn)知、感知信息的前期處理有“去冗余”的特點。ICA在這方面也表現(xiàn)出類似特性,因為互相獨立的分量之間互信息是最少的。ICA是伴隨著盲信號處理,特別是盲信源分離發(fā)展起來。其研究熱潮方興未艾,也正在引起生物醫(yī)學(xué)工程界的注意,IEEETransBME正在組織出版以它為重點的專輯。就國際范圍看,以下幾個研究單位目前工作比較領(lǐng)先:(1)美國加州大學(xué)生物系計算神經(jīng)生物學(xué)實驗室,(2)日本Riken腦科學(xué)研究所腦信息研究室,(3)芬蘭赫爾辛基工業(yè)大學(xué)計算機及信息科學(xué)實驗室,目前發(fā)表有關(guān)文獻較多的刊物有IEEETrans的SP和NN以及NeuralComputation等。本文目的是對ICA的原理、算法及應(yīng)用作一簡述,以引起國內(nèi)同行對它的關(guān)注。將側(cè)重于概念說明,而不追求數(shù)學(xué)上的嚴(yán)謹(jǐn)性。

2原理

2.1問題的提法,s-(n)是一組互相獨立的信源,A是混合矩陣,x-(n)是觀察記錄,即x-(n)=As-(n)。問題的任務(wù)是:在A陣未知且對s-(n)除獨立性外無其它先驗知識的情況下,求解混矩陣B,使得處理結(jié)果y-(n)=Bx-(n)中各分量盡可能互相獨立,且逼近s(n)。容易理解,解答不是唯一的,它至少受以下條件的限制:(1)比例不定性:s-(n)中某一分量大K倍時,只要使相應(yīng)的A陣系數(shù)減小K倍,x-(n)便保持不變。

因此,求解時往往把s-(n)假設(shè)成具有單位協(xié)方差陣,即s-中各分量均值為零,方差為1,且互相獨立。(2)排序不定性:y-與s-中各分量排序可以不同。因為只要對調(diào)B陣中任意兩行,y-中相應(yīng)元素的位置也便對調(diào)。(3)s-(n)中至多只能有一個高斯型信源:這是因為高斯信源的線性組合仍是高斯型的,因此混合后便無法再區(qū)別。(4)信源數(shù)目N只能小于或等于觀測通道數(shù)M。N>M情況目前尚未解決。以下討論設(shè)M=N。因此,y-(n)只是在上述條件下對s-(n)的逼近。換名話說,任務(wù)的實質(zhì)是優(yōu)化問題,它包括兩個主要方面:優(yōu)化判據(jù)(目標(biāo)函數(shù))和尋優(yōu)算法。

2.2目標(biāo)函數(shù)

這一領(lǐng)域的研究者已經(jīng)從不同角度提出了多種判據(jù)。其中以互信息極小判據(jù)(MinimizationofMutualInformation,簡記MMI)和信息或熵極大判據(jù)(Informax或MaximizationofEntropy,簡記ME)應(yīng)用最廣。由于最基本的獨立性判據(jù)應(yīng)由概率密度函數(shù)(probabilitydensityfunction,簡記pdf)引出,而工作時pdf一般是未知的,估計它又比較困難,因此通常采用一些途徑繞過這一困難。

常用的方法有兩類:①把pdf作級數(shù)展開,從而把對pdf的估計轉(zhuǎn)化為對高階統(tǒng)計量的估計;②在圖1的輸出端引入非線性環(huán)節(jié)來建立優(yōu)化判據(jù)。后一作法實際上隱含地引入了高階統(tǒng)計量。(1)互信息極小判據(jù):統(tǒng)計獨立性的最基本判據(jù)如下:令p(y-)是y-的聯(lián)合概率密度函數(shù),pi(yi)是y-中各分量的邊際概率密度函數(shù)。當(dāng)且僅當(dāng)y-中各分量獨立時有:p(y-)=∏Ni=1pi(yi)因此用p(y-)與∏i=1pi(yi)間的Kullback-Leibler散度作為獨立程度的定量度量:I(y-)=KL[p(y-),∏Ni=1pi(yi)]=∫p(y-)log[p(y-)∏Ni=1pi(yi)]dy-(1)顯然,I(y-)0,當(dāng)且僅當(dāng)各分量獨立時I(y-)=0。因此,互信息極小判據(jù)的直接形式是:在y-=Bx-條(文秘站:)件下尋找B,使(1)式的I(y-)極小為了使判據(jù)實際可用,需要把I(y-)中有關(guān)的pdf展成級數(shù)。

由于在協(xié)方差相等的概率分布中高斯分布的熵值最大,因此展開時常用同協(xié)方差的高斯分布作為參考標(biāo)準(zhǔn)。例如,采用Gram-Charlier展開時有:P(yi)PG(yi)=1+13!k2yih3(y-i)+14!k4yih4(yi)+…式中PG(yi)是與P(yi)具有同樣方差(σ2=1)和均值(μ=0)的高斯分布。k3yi、k4yi是yi的三、四階累計量(cumulant),hn(yi)是n階Hermit多項式。此外還有許多其他展開辦法,如Edgeworth展開,利用負(fù)熵(Negentropy)等。不論采用何種展開方式,經(jīng)推導(dǎo)后總可把式(1)近似改成k3、k4的函數(shù):I(y)=F(k3y-,k4y-,B)(1)’F(·)的具體形式多種多樣,視推導(dǎo)時的假設(shè)而異。

這樣就得到互信息判據(jù)的實用近似形式:在y-=Bx-條件下尋找B,使式(1)的I(y-)極小(2)Infomax判據(jù):這一判據(jù)的特點是在輸出端逐分量地引入一個合適的非線性環(huán)節(jié)把yi轉(zhuǎn)成ri(如圖2)?？梢宰C明,如果gi(·)取為對應(yīng)信源的累積分布函數(shù)cdf(它也就是概率密度函數(shù)的積分),則使r-=(r1…rN)T的熵極大等效于使I(y-)極小,因此也可達使y-中各分量獨立的要求。從而得到Infomax判據(jù):在選定適當(dāng)gi(·)后,尋找B使熵H(r-)極大需要指出的是,雖然理論上gi(·)應(yīng)取為各信源的cdf,但實踐證明此要求并不很嚴(yán)格,有些取值在0~1之間的單調(diào)升函數(shù)也可以被采用,如sigmoid函數(shù)、tanh(·)等。估計H(r-)固然也涉及pdf,但由于其作用已通過gi(·)引入,所以可以不必再作級數(shù)展開而直接用自適應(yīng)選代尋優(yōu)步驟求解。文獻中還提出了一些其他判據(jù),如極大似然、非線性PCA等,但它們本質(zhì)上都可統(tǒng)一在信息論的框架下,所以不再一一列舉[1]。

3處理算法優(yōu)化算法

可大致分為兩類,即批處理與自適應(yīng)處理。

3.1批處理批處理比較成熟的方法有兩類。較早提出的是成對旋轉(zhuǎn)法[2],其特點是把優(yōu)化過程分解成兩步。先把x-(n)經(jīng)W陣加以“球化”得z-(n),使z-(n)T=IN,即:各分量不相關(guān)且方差為1,然后再尋找合適的正交歸一陣U達到使y-各分量獨立的目的。前一步類似于PCA,后一步則可利用Givens旋轉(zhuǎn),根據(jù)目標(biāo)函數(shù),將z-中各分量兩兩成對反復(fù)旋轉(zhuǎn)直到收斂。這種方法計算量較大。1999年,Gadoso提出幾種方法對它作了進一步改進[3],其中包括:Maxkurt法、JADE法、SHIBBS法等,限于篇幅,本文不再敘述。近年來,提出的另一類方法是所謂“固定點”法(FixedPointMethod)[4,5

],其思路雖來源于自適應(yīng)處理,但最終算法屬于批處理。

簡單地說,通過隨機梯度法調(diào)節(jié)B陣來達到優(yōu)化目標(biāo)時,有:B(k+1)=B(k)+ΔB(k)ΔB(k)=-μεkB(k)式中k是選代序號,εk是瞬時目標(biāo)函數(shù)。當(dāng)?shù)竭_穩(wěn)態(tài)時必有[E是總集均值算子]:E[ΔB(k)]=0(2)如果ΔB(k)與B(k)有關(guān),就可由(2)式解出B的穩(wěn)態(tài)值。不過由于(2)式總是非線性方程,因此求解時仍需要采用數(shù)值方法(如牛頓法、共軛梯度法等)迭代求解。實踐證明,不論是收斂速度還是計算量,此法均優(yōu)于前一種方法,而且它還可以根據(jù)需要逐次提取最關(guān)心的yi,因此是一類值得注意的方法。

3.2結(jié)合神經(jīng)網(wǎng)絡(luò)的自適應(yīng)處理結(jié)合神經(jīng)網(wǎng)絡(luò)的自適應(yīng)處理算法的框圖。1994年Cichocki提出的調(diào)節(jié)算法是:B(k+1)=B(k)+ΔB(k)ΔB(k)=μk[I-Ψ(y-k)ΦT(y-k)]B(k)式中Ψ、Φ都是N維矢量,其各元素都是單調(diào)升的非線性函數(shù):Ψ(yk)=sgnyk·y2k,ΦTy-k=3tanh(10yk)所得結(jié)果雖令人鼓舞,但是方法是經(jīng)驗性的。其后學(xué)者們從理論上沿著這一方向作了更深入的討論,并發(fā)展出多種算法。概括地說,主要發(fā)展有以下幾點:

(1)引入自然梯度(或相對梯度)。按照最陡下降的隨機梯度法推導(dǎo)出的系數(shù)調(diào)節(jié)公式往往具有如下一般形式:ΔB(k)=μk[B-T(k)-Ψ(y-k)x-Tk]式中的Ψ(y-k)視具體算法而異。Infomax法中Ψ(·)由所選用的g(·)決定;MMI法中則與yk的三、四階矩有關(guān)。B-T(k)是矩陣求逆再轉(zhuǎn)置,它的計算量很大。Amari[7]在1998年提出將最陡下降梯度改為“自然梯度”,兩者間關(guān)系是:[自然梯度]=[最陡下降梯度]·BT(k)B(k)于是有:ΔB(k)=μk[B-T(k)-Ψ(y-k)x-Tk]BT(k)B(k)=μk[I-Ψ(y-k)y-Tk]B(k)由于此式避免了矩陣求逆,因此計算量明顯降低且收斂加快。目前,這一作法已被普遍接受。

(2)引入自然梯度后,采用不同的優(yōu)化判據(jù)得出的調(diào)節(jié)公式雖各有千秋,但大致都可表示為如下的“串行更新”形式:B(k+1)=B(k)+ΔB(k)=[I+H(y-k)]B(k)只是H(y-k)的具體形式各不相同。串行矩陣更新的算法還具有一些理論上值得注意的性質(zhì),如均勻特性(uniformproperty)和等變性(equivariant)等[8,9]。

(3)四階累計量k4>0的超高斯信號和k4<0的欠高斯信號,其處理過程應(yīng)當(dāng)予以區(qū)別。采用同一算法效果往往不好。目前的辦法多是在調(diào)節(jié)公式中引入一個開關(guān)。根據(jù)估計得k4的符號來切換不同算法,如擴展的Infomax法就是一例[10]。此法的系數(shù)調(diào)節(jié)公式是:ΔB(k)=μk[I-Ktanh(y-k)·y-Tk-y-ky-Tk]B(k)其中K是對角陣,其對角元素之值為+1或-1,視該信號分量k4>0或<0而定。為了實時應(yīng)用,估計K4也可采用遞歸算法。總之,自適應(yīng)算法是目前采用較廣的方法。

4應(yīng)用舉例

4.1仿真計算為檢驗經(jīng)ICA算法分解信源的能力,左圖是一組源信號,它們對系統(tǒng)來說是未知的。這一組信號經(jīng)混合后的觀察信號作為(中圖所示)ICA算法的輸入,分解后的結(jié)果如右圖所示?？梢钥吹?除了波形的次序、極性和波幅發(fā)生變化之外,源信號的波形被很好地分解出來。一般情況下,臨床腦電信號中既有超高斯成分(如誘發(fā)電位),也有亞高斯成分(如肌電和工頻干擾)。為了檢驗擴展Infomax算法處理這類情況的能力,我們又用此法進行了如圖6所示仿真實驗。左圖第一行是一段自發(fā)腦電信號,第二行是仿真的視覺誘發(fā)電位,第三行是肌電干擾?；旌虾蟮男盘?圖中第二列所示)經(jīng)ICA分解得到如右圖所示的結(jié)果。這一結(jié)果表明擴展ICA算法在同時存在超高斯和亞高斯信號的情況下,仍然能夠很好地實現(xiàn)盲分解。但應(yīng)指出:這一仿真結(jié)果并不說明通過ICA分解就能直接得到視覺誘發(fā)電位,因為還沒有涉及頭皮上的多導(dǎo)數(shù)據(jù)。

4.2實驗VEP分析(1)多導(dǎo)腦電觀察中VEP的增強:需要強調(diào),把多導(dǎo)腦電作ICA分解后直接取出其中與VEP有關(guān)的成分,得到的并不是頭皮電極處的VEP分量,因為它們只是分解出來的信源,而這些信源的位置并不在頭皮上,為了得到電極處測量值中的VEP成分,需按下述步驟處理:用訓(xùn)練得的W陣直接對頭皮上取得的多導(dǎo)腦電數(shù)據(jù)進行ICA分解,得到各獨立分量組成的矩恥y=Bx(見圖7a);再根據(jù)各分量的波形特征及產(chǎn)生時段,選擇與VEP有關(guān)的一部分分量(例如在前300ms中具有較大幅度的分量),并將其余分量置0,得到新的獨立分量矩陣y’;再反變換回頭皮各電極處得x’=B-1-y’。這樣才能得到去除噪聲和干擾后各電極處的VEP。

采用這樣的方法可顯著地減少提取VEP所需要的累加次數(shù)。左圖是經(jīng)3次累加所得VEP,中圖是經(jīng)50次累加所得結(jié)果,右圖則是用左圖經(jīng)圖7中ICA處理后提取的VEP。比較中、右兩圖,兩者波形趨勢基本相同,但后者比前者其主要峰、谷顯然更清楚,而累加次數(shù)由50減到3。(2)ICA分量的空間模式:把某一個ICA分量的瞬時值經(jīng)B-1逆推回頭皮各電極處得x-’后,就可以按斷層圖的插補方法得到該時該分量在頭皮上的空間分布模式。這個空間分布模式也可以用更簡單辦法得到:只要把逆矩陣B-1中相應(yīng)于某ICA分量的列中各元素的值賦與頭皮各電極處,再作斷層圖插值,就可以表現(xiàn)該ICA分量在任意時刻的空間分布模式。也就是:x’i(t)=b’ijy’j(t),i=1~N式中b’ij是B-1的第i行第j列元素。

可見ICA分量y’j(t)在頭皮各電極處的對應(yīng)值等于用逆陣B-1第j列各元素來對y’j(t)加權(quán)。因此,列矢量b’j=[b’1,…,b’Nj]可以用來統(tǒng)一地表現(xiàn)任意時刻y’j的空間模式。

5總結(jié)與展望

本文粗略介紹了ICA的原理、算法和應(yīng)用,可以看到ICA確是一個值得注意的研究方向,但其理論體系尚未完整,實際采用的處理方法多少還帶有經(jīng)驗性。例如為什么對非線性特性gi的要求不甚嚴(yán)格就沒有明確解釋;又如算法的穩(wěn)定性、收斂性在實踐中是經(jīng)常遇到的問題。從應(yīng)用方面看也還有許多待開發(fā)的領(lǐng)域,例如如何應(yīng)用于生理信號的模式識別與系統(tǒng)建模等。從生物醫(yī)學(xué)信號分析的角度看,還有一些亟待深入的問題。例如:

(1)在以上分析中混合陣A被假設(shè)為恒定。這對靜態(tài)的圖像分析或固定信源是合理的;但在生理實際中,等效信源一般在空間并不固定,因而混合陣A應(yīng)視為時變的,而且傳導(dǎo)過程中還會引入容積導(dǎo)體的卷積及遲作用。這可能是實際生理信號分解結(jié)果不夠理想的原因之一。

(2)一般公認(rèn),生理信號的非平穩(wěn)性較強,而以上分析并沒有考慮信號的非平穩(wěn)性。

第8篇：卷積神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

這種曾經(jīng)的航拍專業(yè)工具正在消除極客產(chǎn)品的烙印，每一家無人機廠商都極力降低使用門檻，為小白級用戶增加了自動返航、自動避障等傻瓜式操作功能。在當(dāng)時，王孟秋思考過一個問題：當(dāng)無人機生產(chǎn)商大疆科技已經(jīng)牢牢控制了71%的消費無人機市場份額后，創(chuàng)業(yè)公司的機會在哪里？

2014年5月，王孟秋回國創(chuàng)辦了零零無限，在此之前，他在斯坦福大學(xué)攻讀計算機專業(yè)的博士。事實上，和父母旅行的經(jīng)歷啟發(fā)了王孟秋回國開發(fā)無人機的想法―他發(fā)現(xiàn)家庭合影時要么用自拍桿，要么交給路人拍照，合照的背景或許不同，但人的表情和姿勢永遠(yuǎn)一樣?！昂芏啻渭彝コ鲇味疾畈欢?，拍照體驗完全是破碎的?！蓖趺锨镎f，“但自拍無人機可以將拍照的意義還原為捕捉生命中的美好瞬間。”

和吸引極客用戶的航拍消費無人機相比，王孟秋認(rèn)為自拍無人機事實上在生活場景中將有更高的使用頻率，比如，朋友聚會的后院BBQ，兒子的一場兒童球賽，也可以是周末跟家里寵物在草坪上嬉戲的畫面。另一方面，低空近景人物拍攝、使用場景更為生活化的“飛行相機”，也能和大疆系列航拍無人機的產(chǎn)品定位區(qū)隔開來。

2016年10月，團隊推出了跟拍無人機Hover Camera小黑俠，這是一款能跟拍、提供更多視角和錄制運動片段的無人機。2016年，它已獲得了總額2500萬美元的融資，其中天使輪200萬美元和A輪融資2300萬美元，投資方包括IDG、金沙江創(chuàng)投、真格基金、ZUIG等。

直觀上，Hover Camera像兩層扁扁的鏤空黑色盒子。這其實是兩個折疊的碳纖維保護罩，里面有四翼螺旋槳，飛行時展開，長度不及一部iPhone 7 Plus，重量也才238克。

為了能夠讓更多小白用戶使用，在操作方面，Hover Camera棄用了傳統(tǒng)的無人機遙控器，起飛、飛行和降落直接在手機上操控，不過和航拍無人機不同的是，Hover Camera開發(fā)了人機交互的“指尖放飛”―托著無人機的指尖上，Hover Camera可以輕盈起飛，即便在狹小的室內(nèi)，它也能周轉(zhuǎn)或懸停，發(fā)出嗡嗡的響聲。 >> 和吸引極客用戶的航拍消費無人機相比，王孟秋認(rèn)為自拍無人機事實上在生活場景中將有更高的使用頻率。

“航拍無人機是為了拍‘景’，飛高飛遠(yuǎn)，拍遠(yuǎn)山，拍大橋，拍沙灘。零零無限推出的Hover Camera是為了拍‘你’?！绷懔銦o限產(chǎn)品經(jīng)理劉力心說。在他看來，這是兩種不同的鏡頭語言―Hover Camera無人機拍攝以人為中心，比如同樣是拍攝跳水，航拍無人機的產(chǎn)品拍攝的是宏大的跳水場景，但零零無限想做的是人物跟蹤拍 攝。

即便如此小的Hover Camera仍包含300余個元器件，從機械結(jié)構(gòu)設(shè)計到電機、旋翼設(shè)計，都需要從頭開始，況且硬件之外還有嵌入式系統(tǒng)、飛行控制系統(tǒng)、用于跟拍的機器視覺，以及對iOS和安卓等手機系統(tǒng)的適配?！八械臇|西都是我們自己做的。”王孟秋說。

對于零零無限來說，創(chuàng)業(yè)過程是從不懂到懂的學(xué)習(xí)過程，早期最大的門檻還是在軟件上?！坝布谴蚰サ贸鰜淼?，但是軟件上需要長時間積累?！痹贖over Camera上沒有雙目攝像頭，全靠軟件的優(yōu)化來支持單攝像頭與人控制相對距離。

此外，王孟秋一早就確定“安全飛行”是Hover Camera的核心競爭力之一。

在零零無限團隊看來，一個旋翼高速旋轉(zhuǎn)的飛行器，無論多小，都會有誤傷人的危險。在產(chǎn)品設(shè)計中，不同于業(yè)內(nèi)普遍使用避障技術(shù)來實現(xiàn)安全保護，Hover Camera的做法是加入帶“保護罩”的外殼。在蘋果專賣店內(nèi)，除了Hover Camera，其他無人機都禁止試飛。他們認(rèn)為有了保護罩的Hover Camera不會傷到人，而其他無人機的避障軟件技術(shù)不能確保沒有故障。

為了方便攜帶，在原型機的材質(zhì)選擇上，團隊考慮過用鋁鎂合金、塑料或加纖塑料來制作保護罩，但因為容易變形或過軟等會造成安全隱患的原因，Hover Camera最終使用了既堅固又輕盈的碳纖維。但隨之而來的是成本大幅增加，制成這樣的保護罩，需要經(jīng)過CNC切割、拋光、烤漆等幾十道工序，讓Hover Camera的銷售價格攀升至599美元。

這是一個在安全和成本之間權(quán)衡的問題，團隊考慮后選擇了前者。如果去掉保護罩，Hover Camera以單電池可以飛24分鐘，可是以現(xiàn)在的形態(tài)只能飛10分鐘，一些用戶也質(zhì)疑10分鐘的飛行不符合“自拍”這種高重復(fù)性的行為。同時，因為保護罩帶來的側(cè)向風(fēng)阻加大，當(dāng)戶外風(fēng)大的時候，Hover Camera的穩(wěn)定性很難保證。

但是零零無限仍然堅持做保護罩?！拔也幌胱龊脚?，我們想做的是私人攝影師，就像家里多了一個人一樣。”王孟秋說。依據(jù)王孟秋的判斷，隨著人工智能的發(fā)展，人類拍照這件事情很可能被顛覆?！敖o機器兩三年的發(fā)展，它會懂得構(gòu)圖、取景、拍照?！?/p>

事實上，你可以把Hover Camera看作一個會飛的小機器人，它每秒鐘拍攝30幀，每一幀都要確保人物在畫面中間位置不變，也就是說它每時每刻都在構(gòu)圖。

跟拍無人機的核心在于自動化捕捉到隨時變化的人物動作，比如扣籃的瞬間，這就要求零零無限團隊在跟人算法上做出深度優(yōu)化。團隊在一顆高通驍龍801芯片上實現(xiàn)了基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的人臉人形檢測算法，在用戶選定需要跟隨的人形之后，跟隨部分采用Hover Camera的跟蹤算法。

在Hover Camera上市前，在美國蘋果總部，出于受眾、用戶體驗和設(shè)計元素的匹配，零零無限與蘋果達成了合作。在與蘋果生態(tài)做了諸多適配和兼容―如影像編輯軟件、文件系統(tǒng)―完成了多國的本地化工作后，Hover Camera先是@準(zhǔn)進入5個國家和地區(qū)的蘋果專賣店，隨后國家數(shù)擴展到30余個。

至今，Hover Camera并未開設(shè)自己的線下實體店，只是在蘋果店和線上銷售。王孟秋不愿透露銷量，但也不諱言其在產(chǎn)能上的爬坡，到今年5月才實現(xiàn)產(chǎn)能充足，而線上銷售是積累產(chǎn)能比較好的方式。

從2016年10月正式到現(xiàn)在，Hover Camera大的固件升級已經(jīng)有5次，從UI到交互界面都和最初的版本完全不同了。

第一版的Hover Camera軟件界面有點兒像大疆的遙控器操作，但現(xiàn)在則以用戶社區(qū)為主體；它跟蹤人的模式和方式也都與第一版大有區(qū)別：第一版，Hover Camera有兩種跟蹤模式，一種是只跟著面部，另一種則是整個人都需要入鏡。當(dāng)初的兩種模式是為了區(qū)別近景拍攝和跟拍，但如今通過影像識別的優(yōu)化，無人機能自動切換，不需要用戶自己區(qū)分。

第9篇：卷積神經(jīng)網(wǎng)絡(luò)優(yōu)勢范文

關(guān)鍵詞：科學(xué)計算；大數(shù)據(jù)處理；超級計算機；模擬仿真；并行計算

1引言

在現(xiàn)代科學(xué)研究和工程實踐中，通常使用數(shù)學(xué)方程式來表示某些自然科學(xué)規(guī)律，產(chǎn)生了眾多復(fù)雜繁瑣的數(shù)學(xué)計算問題[1]?；谄胀ㄓ嬎愎ぞ邅斫鉀Q這些問題，將耗費大量人力物力，甚至無法得到準(zhǔn)確結(jié)果。而科學(xué)計算[2]，利用計算機仿真、重現(xiàn)、預(yù)測或探索自然世界萬物運動規(guī)律和演變特性的全過程，通過研究合理的計算方法，設(shè)計高效的并行算法，研制合適的應(yīng)用程序，能準(zhǔn)確、高效地模擬各領(lǐng)域研究過程，分析計算結(jié)果。然而，普通計算機的科學(xué)計算能力往往是有限的，現(xiàn)有的計算能力無法高效地解決某些基礎(chǔ)學(xué)科和工程技術(shù)部門的科學(xué)計算問題，如長期天氣預(yù)報、石油勘探、飛機整體氣動力等等。

與此同時，地震檢測儀、粒子碰撞器、天文望遠(yuǎn)鏡以及高通量分析裝置等大型科學(xué)儀器的研制和發(fā)展[3]，產(chǎn)生了大量非結(jié)構(gòu)化或半結(jié)構(gòu)化的數(shù)據(jù)，使得“大數(shù)據(jù)”趨勢變得越來越突出[4]。如今，許多科學(xué)發(fā)現(xiàn)和見解由大量數(shù)據(jù)集驅(qū)動，“大數(shù)據(jù)”被認(rèn)為是除了實驗、理論和計算方法之外的第四種科學(xué)范式[5]。數(shù)據(jù)生成的容量、速度和多樣性構(gòu)成了分析大數(shù)據(jù)的主要挑戰(zhàn)。

為提高科學(xué)計算能力，解決大數(shù)據(jù)問題，高性能計算(HPC)[6]技術(shù)迅猛發(fā)展。高性能計算機代表用于解決計算密集型科學(xué)和工程問題的高端計算基礎(chǔ)設(shè)施。我國的高性能計算早已突破每秒浮點運算千萬億次的壁壘，并繼續(xù)解決性能、可擴展性、可編程性、能效和可靠性等問題，探索新的支持技術(shù)以達到e級計算能力。

目前，高性能計算機已在多個領(lǐng)域得到了成功的應(yīng)用[7]，但仍存在大量可供多個研究機構(gòu)使用的空閑節(jié)點。本文簡介了一些高性能計算機系統(tǒng)及其性能，針對近年來在高性能計算機上的各大領(lǐng)域應(yīng)用實例進行總結(jié)，并對在其他領(lǐng)域的應(yīng)用做出了展望，以促進更高效、全面地使用高性能計算機。

2高性能計算機系統(tǒng)概述

中國首臺千萬億次超級計算機，是“天河一號”?！疤旌右惶枴背売嬎銠C使用由中國自行研發(fā)的“龍”芯片，其峰值計算速度能夠達到1.206TFlop/s，同時Linpack實測性能達到了0.563TFlop/s，該超級計算機位居當(dāng)時公布的中國超級計算機前100強之首，中國成為了繼美國之后世界上第二個能夠自主研制千萬億次超級計算機的國家。

天河一號采用6144個英特爾通用多核處理器和5120個AMD圖形加速處理器，其內(nèi)存總?cè)萘?8TB。至于點對點通信的帶寬就達到了40Gbps，而其用于共享的磁盤總?cè)萘縿t達到1PB。該超級計算機系統(tǒng)部署于天津濱海新區(qū)的國家超級計算天津中心作為業(yè)務(wù)主機。

2013年，由國防科學(xué)技術(shù)大學(xué)研制的“天河二號”大型超級計算機以每秒33.86千萬億次的浮點運算速度成為全球最快的超級計算機，位列國際大型超級計算機TOP500榜首。隨后，“天河二號”實現(xiàn)了世界最快超算“六連冠”。天河二號采用基于加速器的架構(gòu)[8]。在可接受的總成本、功率預(yù)算、支持可靠性、可用性和可服務(wù)性(RAS)的能力、應(yīng)用開發(fā)和移植的復(fù)雜性下提供高的計算性能。

天河二號的硬件系統(tǒng)由五個子系統(tǒng)組成，包括計算系統(tǒng)、通信系統(tǒng)、存儲系統(tǒng)、監(jiān)控診斷系統(tǒng)和服務(wù)系統(tǒng)。它由16000個節(jié)點組成，每個節(jié)點有2顆基于IvyBridge-EXeonE52692處理器和3顆XeonPhi，每個節(jié)點的內(nèi)存是64GB。所有的計算節(jié)點都通過專有的高速互連系統(tǒng)連接。還提供了一個服務(wù)子系統(tǒng)的4096個節(jié)點，以加快高吞吐量的計算任務(wù)，如大數(shù)據(jù)處理。存儲子系統(tǒng)包括256個I/O節(jié)點和64個容量為12.4PB的存儲服務(wù)器。天河二號文件系統(tǒng)命名為h2fs，采用麒麟操作系統(tǒng)、基于SLURM的全局資源管理。支持大多數(shù)現(xiàn)代編程語言，包括C、C++、Java、Python等。采用的是新型異構(gòu)多態(tài)體系結(jié)構(gòu)(Multipurpose-Heterogeneous)[9]。

天河二號的系統(tǒng)配置列于表1中。

“天河二號”集科學(xué)計算、大數(shù)據(jù)分析和云計算于一體，被認(rèn)為是滿足工業(yè)和社會需求的戰(zhàn)略基礎(chǔ)設(shè)施。以超級計算機為支撐的高性能計算應(yīng)用正加速向各個領(lǐng)域滲透。

Table1SystemindicatorsofTianhe-2

表1天河二號系統(tǒng)指標(biāo)

width=375，height=252，dpi=110

在國內(nèi)早期的高性能計算機研究中，2004年6月超級計算機曙光4000A研制成功，落戶上海超級計算中心，標(biāo)志著繼美國和日本之后，中國是第三個能研制10萬億次高性能計算機的國家。曙光能夠每秒運算11萬億次，進入全球超級計算機前十名。經(jīng)過十多年發(fā)展，曙光E級高性能計算機系統(tǒng)項目現(xiàn)在是國家“十三五”期間高性能計算的重點專項，其最顯著的特點是突破了制約E級計算發(fā)展的各個關(guān)鍵技術(shù)，通過這樣原型機的研制去驗證E級的技術(shù)路線，為未來真正實現(xiàn)國產(chǎn)E級系統(tǒng)做技術(shù)鋪墊。

width=642，height=303，dpi=110

Figure1StructureofSugon’sCPU

圖1曙光CPU結(jié)構(gòu)

在2016年法蘭克福世界超算大會上，“神威·太湖之光”超級計算機系統(tǒng)成為新的榜首，速度較第二名“天河二號”快出近兩倍，效率提高三倍。

神威·太湖之光超級計算機由40個運算機柜和8個網(wǎng)絡(luò)機柜組成。每個運算機柜包含4塊由32塊運算插件組成的超節(jié)點。每個插件由4個運算節(jié)點板組成，一個運算節(jié)點板又含2塊“申威26010”高性能處理器。一臺機柜就有1024塊處理器，整臺“神威·太湖之光”共有40960塊處理器。每個單個處理器有260個核心，主板為雙節(jié)點設(shè)計，每個CPU固化的板載內(nèi)存為32GBDDR3-2133。

在2018年的法蘭克福世界超算大會上，美國能源部橡樹嶺國家實驗室(ORNL)推出的新超級計算機“Summit”以每秒12.23億億次的浮點運算速度，接近每秒18.77億億次峰值速度奪冠，“神威·太湖之光”屈居第二。

3高性能計算機各大領(lǐng)域應(yīng)用實例分析

為充分發(fā)揮高性能計算機的優(yōu)勢，極大限度地滿足客戶需求，自超級計算機在中國開始發(fā)展以來，相關(guān)團隊都致力于擴展高性能計算在各個領(lǐng)域的利用，迎合各領(lǐng)域應(yīng)用的計算要求，協(xié)助用戶配置應(yīng)用環(huán)境，建立高效模型，設(shè)計合理并行算法，以實現(xiàn)各領(lǐng)域的科學(xué)計算和大數(shù)據(jù)處理在高性能計算機上的應(yīng)用。

3.1生物計算與精準(zhǔn)醫(yī)療

根據(jù)廣州國家超級計算中心的內(nèi)部統(tǒng)計[10]，生物醫(yī)學(xué)相關(guān)應(yīng)用現(xiàn)在是超級計算中心的主要客戶。生物醫(yī)學(xué)研究主要包括生物大分子的結(jié)構(gòu)模擬與功能建模，藥物設(shè)計與篩選，蛋白質(zhì)序列分析，基因序列分析與比對，基因調(diào)控網(wǎng)絡(luò)的分析與建模，醫(yī)療衛(wèi)生的雙數(shù)據(jù)分析及生物醫(yī)學(xué)文獻挖掘等。

生物醫(yī)學(xué)數(shù)據(jù)繁多，且一直呈指數(shù)增長。如世界最大的生物數(shù)據(jù)保存者之一，歐洲生物信息學(xué)研究所(EBI)，存儲超過20PB的數(shù)據(jù)，并且最近每年的數(shù)據(jù)量都增加一倍[11]。數(shù)據(jù)源的異質(zhì)性，包括基因組學(xué)、蛋白質(zhì)組學(xué)、代謝組學(xué)、微陣列數(shù)據(jù)、文獻等，使其更加復(fù)雜。

針對典型類型的大數(shù)據(jù)——基因組大數(shù)據(jù)，在大數(shù)據(jù)框架(如Hadoop和Spark)的幫助下，云計算已經(jīng)在大數(shù)據(jù)處理中發(fā)揮著積極作用?，F(xiàn)在，HPC在中國的快速發(fā)展使得以不同的方式解決基因組大數(shù)據(jù)挑戰(zhàn)成為可能。Yang等人[12]強調(diào)了在現(xiàn)代超級計算機上增強大數(shù)據(jù)支持的必要性，提出只需單個命令或單個shell腳本就能使當(dāng)前的大數(shù)據(jù)應(yīng)用在高性能計算機上運行，并且支持多個用戶同時處理多個任務(wù)的Orion作為高性能計算機的大數(shù)據(jù)平臺。該平臺可以根據(jù)大數(shù)據(jù)處理需求，合理分配所需的資源量，并使用HPC系統(tǒng)軟件棧自動建立和配置可回收的Hadoop/Spark集群。以華大基因提供的基因組學(xué)大數(shù)據(jù)作為案例研究，測試基因組分析流水線SOAPGaea的FASTQ過濾、讀取對齊、重復(fù)刪除和質(zhì)量控制四個過程，證明了Orion平臺的高效性。

為更好地了解基因的精細(xì)結(jié)構(gòu)、分析基因型與表現(xiàn)型的關(guān)系、繪制基因圖譜，DNA序列分析成為生物醫(yī)學(xué)中的重要課題[12]。

DNA序列的排序是對DNA序列分析的基礎(chǔ)[13]。通常先使用測序儀得到生物體基因組的一些片段，再利用計算機對片段進行denovo拼接，從而得到DNA序列的排列順序。而隨著測序儀的發(fā)展，基因組的數(shù)據(jù)量增大，分析復(fù)雜性提高，普通計算工具分析數(shù)據(jù)會消耗大量時間和空間。張峰等人[14]基于高性能計算機，使用一種新型序列拼接工具SGA(StringGraphAssernbler)，對任務(wù)之間數(shù)據(jù)耦合度小的分批構(gòu)建FM-Index，采用粗粒度的多進程并行；對任務(wù)之間數(shù)據(jù)耦合度較大的FM-Index合并過程，采用多線程的細(xì)粒度并行。這種多進程與多線程的混合并行策略，使用并行計算代替通信開銷，測試小規(guī)模數(shù)據(jù)時，將索引構(gòu)建時間的最佳性能提高了3.06倍。葉志強等人[15]在基因組排序時，引入隨機listranking算法，基于高性能計算機，使用MPI并行實現(xiàn)Pregel框架的線性化步驟，利用節(jié)點之間的通信和計算能力，減少了線性化步驟時間。

SNP(單核苷酸多態(tài)性)檢測是DNA序列分析的關(guān)鍵步驟[16]。它將對齊的read、參考序列和被編排的數(shù)據(jù)庫(如數(shù)據(jù)庫SNPP)作為輸入，通過站點檢測對齊的read和引用站點的信息，生成SNP站點的列表。SNP檢測工具SoAPSNP可以用一個多星期的時間來分析一個覆蓋20倍的人類基因組。崔英博等人[17]通過重新設(shè)計SOAPSNP的關(guān)鍵數(shù)據(jù)結(jié)構(gòu)以降低內(nèi)存操作的開銷，設(shè)計CPU與XeonPhi協(xié)作的協(xié)調(diào)并行框架，以獲得更高的硬件利用率。并提出了一種基于讀取的窗口劃分策略(RWD)，在多個節(jié)點上提高吞吐量和并行規(guī)模，開發(fā)了SOAPSNP的并行版本MSNP，在沒有任何精度損失的情況下，利用高性能計算機的一個節(jié)點實現(xiàn)了45倍的加速。

方翔等人[18]利用高性能計算機，構(gòu)建了由基因組與轉(zhuǎn)錄組測序數(shù)據(jù)分析、蛋白質(zhì)結(jié)構(gòu)預(yù)測和分子動力學(xué)模擬三個功能模塊組成的生物信息平臺分析水產(chǎn)病原，對約氏黃桿菌等多種水生動物病原進行生物信息學(xué)分析。

從生物醫(yī)學(xué)文獻中提取有價值的信息的一種主流方法是在非結(jié)構(gòu)化文本上應(yīng)用文本挖掘方法。然而，大量的文獻需要分析，這對文本挖掘的處理效率提出了巨大的挑戰(zhàn)。彭紹亮等人[19]將針對疾病實體識別的軟件DNorm加入可高效識別基因、蛋白質(zhì)、藥物、基因通路等實體關(guān)系的文本挖掘工具PWTEES流水線中，擴充了PWTEES的功能。使用LINNAEUS導(dǎo)入MEDLIN數(shù)據(jù)庫提供的摘要，并在個人賬戶目錄下，動態(tài)使用計算節(jié)點，編譯安裝配置了非關(guān)系型數(shù)據(jù)庫(MySQL)，將大量非結(jié)構(gòu)化數(shù)據(jù)(文獻)轉(zhuǎn)為結(jié)構(gòu)化數(shù)據(jù)。將平時在普通服務(wù)器上需100天能完成的文本挖掘過程縮短為1小時，并利用200個進程并行挖掘7萬篇頭頸癌相關(guān)文獻中的關(guān)鍵命名實體，得到了80%以上的并行效率。Xing等人[20]開發(fā)了一個可運行的框架PARABTM，它能夠在超級計算機上實現(xiàn)并行文本挖掘。以GNormPlus、tmVar2.0、Dnorm三種命名實體識別任務(wù)為例，對多個數(shù)據(jù)集上PARABTM的性能進行了評價。結(jié)果表明，使用PARABTM并行處理策略中的短板匹配負(fù)載平衡算法(Short-Boardloadbalancingalgorithm)，最大程度地提高了生物醫(yī)學(xué)命名實體識別的處理速度。

3.2全數(shù)字設(shè)計與制造

數(shù)字設(shè)計與制造是一種以計算機系統(tǒng)為中心的集成制造方法。隨著制造工廠中計算機系統(tǒng)數(shù)量和質(zhì)量的提高，數(shù)字化趨勢迅速。越來越多的自動化工具被用于制造工廠，有必要對所有機器、工具和輸入材料進行建模、模擬和分析，以優(yōu)化制造過程。而模擬能夠建模和測試一個系統(tǒng)行為特性，讓工程師能夠用更低耗、更快速同時更安全的方式來分析所做的設(shè)計會產(chǎn)生什么樣的影響。模擬的應(yīng)用范圍廣泛，涵蓋了產(chǎn)品設(shè)計、過程設(shè)計以及企業(yè)資源安排[21]。在模擬過程中，利用超級計算機強大的計算能力，使工程師能在幾分鐘或幾小時內(nèi)仿真和測試數(shù)千種設(shè)計方案。

利用數(shù)字化的方式，可以對產(chǎn)品進行結(jié)構(gòu)力學(xué)分析、流體力學(xué)分析、電磁設(shè)計和多物理場模擬等多種計算仿真。

在計算流體力學(xué)CFD(CcomputationalFluidDynamics)領(lǐng)域的一大熱點研究問題就是如何在當(dāng)前主流的眾核異構(gòu)高性能計算機平臺上進行超大規(guī)模計算。楊梅芳等人[22]在高性能計算機的單個節(jié)點上，利用超然沖壓發(fā)動機燃燒數(shù)值模擬軟件LESAP模擬一個實際發(fā)動機燃燒化學(xué)反應(yīng)和超聲速流動的問題，采用OpenMP4．0編程標(biāo)準(zhǔn)，向量化SIMD，優(yōu)化數(shù)據(jù)傳輸過程，均衡基于網(wǎng)格塊劃分的負(fù)載技術(shù)，實現(xiàn)了軟件面向CPU+MIC異構(gòu)平臺的移植，達到了3.07倍的性能加速比。王勇獻等人[23]面向高性能計算機探索了高階精度CFD流場數(shù)值模擬程序的高效并行性。在高性能異構(gòu)并行計算平臺上進行了多個算例的數(shù)值模擬的結(jié)果顯示最大CFD規(guī)模達到1228億個網(wǎng)格點，共使用約59萬CPU+MIC處理器核，實現(xiàn)了移植后的性能大幅度提高。通過將算法移植到超級計算機進行大規(guī)模并行，能夠?qū)崿F(xiàn)高效的流體力學(xué)分析。而文獻[24-26]都是針對空氣動力學(xué)中的具體分類利用高性能計算機進行模擬以驗證有效性的研究。利用數(shù)字化設(shè)計，能夠快速低成本地對設(shè)計性能進行分析評估。

在圖像模擬中，Metropolis光傳輸算法能夠利用雙向路徑跟蹤構(gòu)建出由眼睛到光源的路徑，是MonteCarlo方法的變體。然后，使用Metropolis算法靜態(tài)計算圖像中光線的恰當(dāng)?shù)纳⑸錉顟B(tài)，由一條已發(fā)現(xiàn)的光到眼睛的路徑，能搜索到鄰近路徑。簡單地說，Metropolis光傳輸算法能夠生成一條路徑并存儲其上的節(jié)點，同時能通過添加額外節(jié)點來調(diào)整并生成新的路徑。隨著對照片級真實感圖像的要求越來越高，為Metropolis光傳輸算法開發(fā)高效且高度可擴展的光線跟蹤器變得越來越重要。主要是渲染圖像通常需要花費大量時間，開發(fā)高效且高度可擴展的光線跟蹤器的困難來自不規(guī)則的存儲器訪問模式、光攜帶路徑的不平衡工作量以及復(fù)雜的數(shù)學(xué)模型和復(fù)雜的物理過程。Wu等人[27]提出了一種基于物理的高度可擴展的并行光線追蹤器，并在高性能計算機上進行了實現(xiàn)，利用多達26400個CPU內(nèi)核，證明了其可擴展性，能夠從復(fù)雜的3D場景生成逼真圖像。

模擬高場非局部載流子傳輸同樣需要3DMonteCarlo模擬方法，通過適當(dāng)?shù)牧孔有Ｕw散射效應(yīng)，半經(jīng)典的MC模擬能夠給出準(zhǔn)確的結(jié)果。但是，MC方法中3D模擬和量子校正都需要巨大的計算資源[28]，由效率出發(fā)超級計算機的計算能力就至關(guān)重要了。文獻[29]中，通過在高性能計算機上使用IntelMIC協(xié)處理器，進一步提高了之前工作中開發(fā)的3D并行的繼承MC模擬器的并行效率。

對于高性能計算機在全數(shù)字設(shè)計和制造領(lǐng)域的集成應(yīng)用，國家超級計算廣州中心推出了天河星光云超算平臺，以云服務(wù)的方式提供CAE計算和HPC訪問，大大降低了數(shù)字設(shè)計的門檻，支持產(chǎn)品設(shè)計的全工作流。目前基于該平臺支撐的項目有諸如國產(chǎn)大飛機、高鐵等，都是國家工業(yè)生產(chǎn)中重要項目[30]。

3.3地球科學(xué)與環(huán)境工程

基于該應(yīng)用領(lǐng)域，超級計算機的主要作用在于變革對自然界中諸如地理狀況、海洋、大氣等種種元素的模擬方式。以超算為平臺，不僅能模擬出地球上每個時期的狀況，甚至是對宇宙中的種種同樣能進行模擬分析，讓地球科學(xué)和環(huán)境工程的研究范圍不再限于此時此地，而是更廣闊的空間。

在宇宙學(xué)的層面，早在2015年就利用高性能計算機模擬出宇宙大爆炸后1600萬年之后至今約137億年的暗物質(zhì)和中微子的演化過程，并將進一步尋找宇宙邊界的報告[31]。中微子雖然是自然界中的基本粒子之一，在宇宙大爆炸約1s后與其他等離子體物質(zhì)退耦，形成看不見的宇宙背景，通過物理實驗和實際的天文觀測都無法精確測量中微子的質(zhì)量。在高性能計算機平臺上，利用3萬億粒子來對宇宙中的中微子和暗物質(zhì)的分布和演化進行模擬，開創(chuàng)了宇宙學(xué)中獨立測量中微子質(zhì)量的道路。

在地球外圍層面上，大氣變化同樣是一個關(guān)注點。Xue等人[32]提出了一種基于高性能計算機的全球性大氣動態(tài)模擬的混合算法。通過使用更靈活的域分區(qū)方案來支持節(jié)點中任意數(shù)量的CPU和加速器，算法能夠充分利用超算的優(yōu)良性能。當(dāng)使用8664個節(jié)點，包括了近170萬個核心時，可以有效地利用節(jié)點內(nèi)的三個MIC卡，對兩個IvyBridgeCPU(24個內(nèi)核)實現(xiàn)4.35倍的加速。基于成功的計算-通信重疊，算法分別在弱和強縮放測試中實現(xiàn)了93.5%和77%的并行效率。

相較于廣袤無邊的宇宙，大部分人們對于腳下的土地更加關(guān)心。自然災(zāi)害如地震、泥石流等，可能會造成巨大的生命財產(chǎn)損失，而地下油氣資源又是經(jīng)濟社會發(fā)展所必需的，利用超級計算機去探索大地也是發(fā)展所需要的。

中石油集團開發(fā)的用于石油油氣勘探的GeoEast系統(tǒng)已經(jīng)經(jīng)過了十幾年的發(fā)展更新，在數(shù)據(jù)模型、數(shù)據(jù)共享、一體化運行模式、三維可視化、交互應(yīng)用框架、地震地質(zhì)建模、網(wǎng)絡(luò)運行環(huán)境和并行處理方面取得了多項創(chuàng)新與重大技術(shù)突破，是地震數(shù)據(jù)處理解釋一體化系統(tǒng)。目前GeoEastV3.0版本軟件總體達到國際同類軟件先進水平，為推動中國石油勘探開發(fā)領(lǐng)域不斷取得新成果發(fā)揮了重要作用[33]。但是，這樣的一體化系統(tǒng)在使用中勢必會產(chǎn)生大量的數(shù)據(jù)，這就對計算機的性能有了要求。因此，在GeoEast系統(tǒng)聞名世界的過程中，高性能計算機在幕后是功臣之一，保證了系統(tǒng)的順利運行，助力石油勘探工作[34]。而文獻[35]專注于地震模擬，提出了針對英特爾至強處理器的對于軟件SeisSol的優(yōu)化，以適用于高性能計算機的計算環(huán)境中，通過全摩擦滑動和地震波的耦合仿真實現(xiàn)了空前復(fù)雜的地震模型。移植到高性能計算機的SeisSol提供近乎最佳的弱縮放，在8192個節(jié)點上達到8.6DP-PFLOPS，在所利用的整個高性能計算機上能達到18～20DP-PFLOPS，成功模擬了1992年蘭德斯地震。

3.4智慧城市云計算

城市發(fā)展經(jīng)過多年的調(diào)整，已經(jīng)在經(jīng)濟上有了相當(dāng)進展，目前從如何讓人們生活更加便捷出發(fā)，許多地區(qū)開始建設(shè)智慧城市。智慧城市(SmartCity)是指利用各種信息技術(shù)或創(chuàng)新意念，集成城市的組成系統(tǒng)服務(wù)，以提升資源運用的效率，優(yōu)化城市管理和服務(wù)，進而能夠提高居民生活質(zhì)量。智慧城市的發(fā)展不僅僅是對生活的改變，還能促進生產(chǎn)方式的轉(zhuǎn)變，解決在城市擴張及經(jīng)濟高速發(fā)展中產(chǎn)生的一系列“城市病”問題。智慧城市，代表的是城市的智慧，由智慧，能夠衍生出智能中、知識和數(shù)字等更廣泛的內(nèi)涵[36]。

迄今為止，廣州、北京、上海、寧波、無錫、深圳、武漢、佛山等國內(nèi)城市已紛紛啟動“智慧城市”戰(zhàn)略，相關(guān)規(guī)劃、項目和活動漸次推出。高性能計算機云平臺應(yīng)運而生，為智慧城市建立堅實、先進的基石。智慧城市由于其性能需求，對依賴的平臺的計算能力的要求會更高，而超算的計算能力就能為智慧城市的建設(shè)提供相當(dāng)助力。在2014年，就有中國首臺千萬億次超級計算機“天河一號”在智慧城市中應(yīng)用的報道，以其在天津濱海區(qū)的應(yīng)用為例，“天河一號”的建筑信息領(lǐng)域的大數(shù)據(jù)平臺通過對建筑信息建模，實現(xiàn)對建筑物從規(guī)劃、設(shè)計、建造到后期物業(yè)管理理的全程數(shù)字化。此外，城市規(guī)劃、氣象預(yù)測、生物醫(yī)療、裝備制造、汽車碰撞模擬等行業(yè)，也能更多地通過“天河一號”，實現(xiàn)大批量數(shù)據(jù)計算、分析和存儲[37]。

而高性能計算機的持續(xù)計算速度進一步達到了億億次，所能提供的服務(wù)質(zhì)量也更高，麒麟云平臺被部署在1920個節(jié)點(15個機柜)，其中64個節(jié)點(兩個機框)作為云平臺控制節(jié)點，其余節(jié)點為運行虛擬機的計算節(jié)點和分布式存儲的存儲節(jié)點。為方便管理，將計算節(jié)點進行分區(qū)管理，512個節(jié)點(4個機柜)為一區(qū)，用于滿足生產(chǎn)環(huán)境、適配環(huán)境、測試環(huán)境需要。分布式存儲沒有分區(qū)，所有節(jié)點形成一個全局的分布式存儲池，但在使用時可按需劃分指定容量的區(qū)域供不同用途使用[38]。這種云超算服務(wù)采用麒麟安全云系統(tǒng)實現(xiàn)虛擬化技術(shù)，將虛擬機資源遠(yuǎn)程推送給用戶使用[39]?？赏ㄟ^互聯(lián)網(wǎng)遠(yuǎn)程管理虛擬機資源，使高性能計算機云平臺資源能夠被更多人使用，超算的計算能力能夠更好地推動社會各個領(lǐng)域發(fā)展。2017年OpenStack的第15個版本中，麒麟云團隊在核心功能解決的Bug數(shù)，以及Commits的數(shù)量均進入全球前20，麒麟云的發(fā)展是非常迅速的，與開源社區(qū)緊密結(jié)合，貢獻突出[40]。

3.5材料科學(xué)與工程

在材料科學(xué)與工程的研究中，量子力學(xué)、經(jīng)典動力學(xué)、統(tǒng)計力學(xué)是三大基礎(chǔ)且主要的研究方向。研究人員致力于材料參數(shù)的建模、多尺度平臺開發(fā)和新材料的設(shè)計、開發(fā)和優(yōu)化。

分子動力學(xué)模擬在材料科學(xué)、生物化學(xué)和生物物理學(xué)等領(lǐng)域得到了廣泛的應(yīng)用。分子動力學(xué)(MD)是研究分子和分子的物理運動的計算機模擬方法，它提供分子尺度上的微觀取樣?；谀芰考?xì)化的輔助建模AMBER(AssistedModelBuildingwithEnergyRefinement)[41]是用于MD模擬的使用最廣泛的軟件包之一。然而，對于具有百萬原子級的系統(tǒng)的AMBERMD模擬的速度仍然需要改進。彭紹亮等人[42]在單CPU上的細(xì)粒度OpenMP并行、單節(jié)點CPU/MIC并行優(yōu)化和多節(jié)點多MIC協(xié)作并行加速方面進行了改進。在高性能計算機上實現(xiàn)AMBER的并行加速策略，與原程序相比，實現(xiàn)了25～33倍的最高加速比。同時，對于計算資源的限制，分子動力學(xué)軟件GROMACS不能大規(guī)模地進行滿意的操作。Wang等人[43]提出了一種利用卸載模式加速GROMACS的方法。為了提高GROMACS的效率，提出了異步化、數(shù)據(jù)重組和數(shù)組重用等一系列方法。在這種模式下，GROMACS可以與CPU和IntelXeonPHITM多個集成內(nèi)核(MIC)協(xié)處理器同時有效地配置，充分利用高性能計算機資源。

材料輻照效應(yīng)(Materialirradiationeffect)是使用核能的重要關(guān)鍵之一。然而，由于高通量輻照設(shè)施和進化過程知識的缺乏，此效應(yīng)的利用并不好。在高性能計算的幫助下，Hu等人[44]提出了一種新的數(shù)據(jù)結(jié)構(gòu)，用于大規(guī)模并行模擬金屬材料在輻照環(huán)境下的演化?；谒岢龅臄?shù)據(jù)結(jié)構(gòu)，開發(fā)了一種新的分子動力學(xué)軟件——CrystalMD，并在高性能計算機上進行了二兆個原子模擬，對MD輻射效應(yīng)研究的模擬規(guī)模進行了擴展。

3.6其他領(lǐng)域

近年來，隨高性能計算的推廣，政府部門對超級計算機的重視，舊產(chǎn)業(yè)轉(zhuǎn)向新產(chǎn)業(yè)的變化及大量有高性能計算需求的企業(yè)對超級計算機的需求增大，超算人才培養(yǎng)初見成效[45]。在應(yīng)用軟件開發(fā)等推動下，高性能計算機的適用范圍逐漸向更多領(lǐng)域滲透。

源于人工神經(jīng)網(wǎng)絡(luò)的研究深度學(xué)習(xí)作為人工智能的一個新研究領(lǐng)域，在模仿人腦的機制來解釋如圖像、聲音和文本數(shù)據(jù)上有了很大進展。例如，卷積神經(jīng)網(wǎng)絡(luò)(CNN)能準(zhǔn)確地對大型圖像進行識別處理，然而CNN的訓(xùn)練密集程度很高，特別是對于大型具挑戰(zhàn)性的任務(wù)，卷積層的參數(shù)數(shù)據(jù)量龐大。而高性能計算機的易訪問、高峰值等性能使學(xué)術(shù)界和工業(yè)界都可以輕松訪問相關(guān)平臺，并可以在合理的時間內(nèi)訓(xùn)練中等和較大規(guī)模的CNN。使用基于輸入展開以將其投影為矩陣乘法(Unfold+Parallel-GEMM)的算法的CAFFE、Theano、Torch7、Chainer、CNTK和TensorFlow等最先進的CNN基礎(chǔ)設(shè)施已可以在高性能計算機上進行部署和應(yīng)用。

增強現(xiàn)實技術(shù)AR(AugmentedReality)，將真實世界信息模擬至虛擬世界，讓人隨時產(chǎn)生真實感受。通過高性能計算機高效地實現(xiàn)算法，可以數(shù)字虛擬孕育“互聯(lián)網(wǎng)+”新業(yè)態(tài)，開發(fā)虛擬試衣、模擬試駕等應(yīng)用項目。