无人驾驶飞行器(UAV)是一种相对较新的技术。应用程序通常涉及复杂和看不见的问题。例如,他们可以在地面站的监督下在基于合作社的环境中工作,以加速关键的决策过程。然而,飞机和地面站之间交换的信息量受到高距离,低带宽尺寸,受限制的处理能力和能量限制的限制。这些缺点限制了诸如大的非常大的大规模操作。新的分布式最先进的处理架构,如雾计算,可以通过不同层次的数据采集,处理和存储来改善延迟,可扩展性和效率,以满足时间约束。在这些修订中,这项研究工作提出了一个数学模型分析基于分布的无人机拓扑和用于大规模任务和搜索操作的雾云计算框架。这些测试成功地预测了延迟和其他操作限制,使得分析计算优势优于传统的云计算架构。
translated by 谷歌翻译
人类活动识别(HAR)是一种分类任务,旨在通过从传感器数据中提取的特征来对人类活动进行分类或预测人类行为。典型的HAR系统使用具有内置感测功能的可穿戴传感器和/或手持设备和移动设备。由于智能手机的广泛使用以及在所有当代智能手机(例如,加速度计和陀螺仪)中包括各种传感器,它们通常用于从传感器提取和收集数据,甚至用于实现HAR系统。当使用移动设备(例如,智能电话)时,HARsystems需要处理关于电池,计算和存储器的若干约束。这些约束强制要求系统能够管理资源并保持可接受的分类准确度。此外,若干因素可影响活动识别,例如分类模型,传感器可用性和特征提取的数据窗口大小,使得稳定的准确性成为困难的任务。在本文中,我们提出了一个半监督分类器和一个关于高参数配置对分类准确性的影响的研究,取决于每个用户的使用和活动。本研究的重点是感知PAMAP2数据集提供的数据。实验结果表明,通过调整超参数(如窗口大小和窗口重叠因子),可以保持分类准确性,这取决于用户和执行的活动。这些实验推动了系统的开发,该系统能够自动地为每个用户执行的活动提供超参数设置。
translated by 谷歌翻译
果蝇的行为表型是生物学和医学研究中的重要手段,用于识别对动物行为的遗传,病理或心理影响。
translated by 谷歌翻译
在社交媒体上发布的图像的真实性是一个日益严重的问题。已经开发了许多算法来检测被操纵的图像,但是已经研究了基于深度神经网络的方法来验证图像标签(例如事件名称)的真实性的能力。在本文中,我们提出了几种新方法来预测图像是否在几个值得注意的事件中被捕获。我们使用来自几个记录事件的一组图像,如风暴,马拉松,抗议和其他大型公共聚会。提出了应用预先训练的Imagenet网络进行事件验证的两种策略,每种策略都有两个修改。第一种方法使用来自预训练网络的最后卷积层的特征作为分类器的输入。我们还考虑了调整预训练网络的卷积权重以改善分类的效果。第二种方法结合了从较小尺度提取的许多特征,并使用预先训练的网络的输出作为第二分类器的输入。对于这两种方法,我们研究了几种不同的分类器,并测试了许多不同的预训练网络。我们的实验证明这两种方法都对事件验证和图像重用检测有效。全球范围内的分类倾向于略微优于我们测试的本地方法,并且对网络进行微调可以进一步改善结果。
translated by 谷歌翻译
我们将因果决策问题定义为决策问题,其中通过因果图形模型$ \ mathcal {G} $的变量来关联可用事件,不确定事件族和结果集。提出了基于Pearl的Do-Calculus和期望效用标准的解决方案标准。该标准的实施导致在线决策过程已被证明具有与经典强化学习算法类似的性能,同时允许学习环境的非因果模型。因此,我们的目标是提供基于因果信息的决策过程的有用性和最优性的理论保证。
translated by 谷歌翻译
本报告概述了利用大数据革命和大规模计算解决多信使天体物理学中的重大计算挑战的最新工作,特别强调实时发现活动。该文件承认了多信使天体物理学的跨学科性质,由物理学家,天文学,计算机科学,数据科学,软件和网络基础设施社区的成员编写,他们参加了NSF-,DOE-和NVIDIA资助的“多信使天体物理学的深度学习”。 :实时发现规模“研讨会,于2018年10月17日至19日在国家超级计算应用中心举办。本报告的重点包括一致同意这对于加速新型信号处理算法的开发和部署至关重要。利用人工智能(AI)和高性能计算之间的协同作用,最大限度地发挥Multi-Messenger天体物理学的潜在科学发现。我们讨论了实现这一努力的关键方面,即(i)为多信使天体物理学设计和利用可扩展和计算效率高的AI算法;(ii)数字模拟天体物理资源的网络基础设施要求,以及处理和解释多信使天体物理学数据; (iii)管理引力波探测和触发以实现电磁和天体粒子跟踪; (iv)利用未来发展的机器和深度学习以及网络基础设施资源的愿景与大数据时代的发现规模相结合; (v)需要建立一个社区,将领域专家与数据科学家一起进行平等,以最大限度地加速发现多信天体物理学的新兴领域。
translated by 谷歌翻译
区域创新越来越被认为是福利的重要推动者。欧洲委员会开始考虑区域特点和动态并非巧合,以便将研究和智能专业化的创新战略集中于有效的投资政策。在此背景下,这项工作旨在支持决策者分析与创新相关的趋势。我们利用欧洲的区域专利申请数据库来确定一系列技术创新指标的动态。为此,我们设计并开发了一个软件系统,用于评估此类指标的展开趋势。与传统的基于知识的设计相比,我们的方法受到生物学启发,并基于信息的自组织。这意味着当数据中的局部动态发生时,称为轨道的功能结构出现并在运行时保持自发。轨道的进一步原型设计允许在展开事件期间更好地识别关键现象,并对进展水平进行更好的评估。如果针对给定的历史背景正确地调整结构参数,则所提出的机制起作用。确定这样的正确参数不是简单的任务,因为不同的指示符可能具有不同的动态。为此,我们采用基于差分进化的适应机制。该研究包括问题陈述及其在文献中的表征,以及提出的解决方法,实验设置和结果。
translated by 谷歌翻译
Tunka无线电扩展(Tunka-Rex)是一种数字天线阵列,用于测量30-80 MHz频段内宇宙射线空气淋浴的无线电发射。 Tunka-Rex与西伯利亚的TAIGA实验位于同一地点,由63个天线组成,其中57个位于约1 km \ textsuperscript {2}的密集仪器区域。在目前的工作中,我们讨论了应用于Tunka-Rex的信号重建的改进。在第一阶段,使用平均信号作为模板,实现匹配滤波。仿真研究表明,匹配滤波可以降低信号检测的阈值并提高其纯度。然而,匹配滤波的最大性能仅在白噪声的情况下是可实现的,而实际上由于不同的原因噪声不是完全随机的。为了识别噪声的隐藏特征并对其进行处理,我们决定使用具有自动编码器架构的卷积神经网络。将记录的轨迹作为输入,自动编码器返回去噪迹线,即去除所有信号无关的幅度。我们介绍了信号重构,匹配滤波和自动编码器的标准方法之间的比较,并讨论了神经网络在降低宇宙射线检测数字天线阵列阈值方面的应用前景。
translated by 谷歌翻译
CT灌注(CTP)成像在急性脑卒中的诊断中具有重要意义。常规灌注分析执行测量的去卷积和灌注参数的阈值以确定组织状态。我们采用数据驱动和无反卷积的方法,其中深层神经网络学习直接从当前的CTP图像和元数据(例如时间参数和治疗)预测最终的梗塞体积。这将允许临床医生模拟各种治疗方法,并随着时间的推移获得对组织状态的预测。我们在多中心数据集上演示了我们的方法能够预测最终的梗塞并有效地使用元数据。消融研究表明,使用原生CTP测量而不是去卷积测量可以改善预测。
translated by 谷歌翻译
宇宙伽马射线的现代探测器是一种特殊类型的成像望远镜(空气切伦科夫望远镜),其配备有相对大量基于光电倍增管的像素的相机。例如,TAIGA-IACT望远镜的相机具有560像素的六边形结构。可以通过深度学习技术分析这种相机中的图像,以提取许多物理和几何参数和/或用于进入的粒子识别。最强大的图像分析深度学习技术,即所谓的卷积神经网络(CNN),在本研究中得到了实施。两个用于机器学习的开源库PyTorch和TensorFlow作为可能的软件平台进行了测试,用于对空气Cherenkov望远镜进行粒子识别。进行蒙特卡罗模拟以分析伽马射线和背景粒子(质子)的图像以及估计识别准确性。讨论了该技术的进一步实施和改进步骤。
translated by 谷歌翻译